Anda di halaman 1dari 161

UNIVERSIDADE FEDERAL DE CAMPINA GRANDE

CENTRO DE TECNOLOGIA E RECURSOS NATURAIS


PS-GRADUAO EM ENGENHARIA CIVIL E AMBIENTAL
REA DE ENGENHARIA DE RECURSOS HDRICOS

OPERAO DE REDES DE ESCOAMENTO DE PETRLEO


UTILIZANDO ALGORITMO GENTICO MULTI-OBJETIVO

DISSERTAO DE MESTRADO

RICA CRISTINE MEDEIROS NOBRE MACHADO

Campina Grande PB
Maio / 2006

RICA CRISTINE MEDEIROS NOBRE MACHADO

OPERAO DE REDES DE ESCOAMENTO DE PETRLEO


UTILIZANDO ALGORITMO GENTICO MULTI-OBJETIVO

Dissertao apresentada ao Programa de PsGraduao em Engenharia Civil e Ambiental, da


Universidade Federal de Campina Grande, em
cumprimento s exigncias para a obteno do
Ttulo de Mestre.

REA DE CONCENTRAO: ENGENHARIA HIDRULICA


ORIENTADORES: CARLOS DE OLIVEIRA GALVO
FRANCISCO VILAR BRASILEIRO

Campina Grande PB
Maio / 2006

FICHA CATALOGRFICA ELABORADA PELA BIBLIOTECA CENTRAL DA UFCG

M149o
2006

Machado, rica Cristine Medeiros Nobre


Operao de redes de escoamento de petrleo utilizando algoritmo gentico
multi-objetivo / rica Cristine Medeiros Nobre Machado. Campina Grande,
2006.
145fs.: il.
Referncias.
Dissertao (Mestrado em Engenharia Civil e Ambiental) Universidade
Federal de Campina Grande, Centro de Cincias e Recursos Naturais.
Orientadores: Carlos de Oliveira Galvo e Francisco Vilar Brasileiro.
l Redes de Escoamento de Petrleo - Otimizao 2 Redes Hidrulicas Otimizao 3 Controle Algoritmo Gentico I Ttulo
CDU 556.16:622.323

RICA CRISTINE MEDEIROS NOBRE MACHADO

OPERAO DE REDES DE ESCOAMENTO DE PETRLEO UTILIZANDO


ALGORITMO GENTICO MULTI-OBJETIVO

Dissertao aprovada em 08 de junho de 2006.

COMISSO EXAMINADORA:

_______________________________________________
Carlos de Oliveira Galvo
Orientador
Unidade Acadmica de Engenharia Civil UFCG

_______________________________________________
Francisco Vilar Brasileiro
Orientador
Unidade Acadmica de Sistemas e Computao - UFCG

_______________________________________________
Wilson Fadlo Curi
Examinador interno
Unidade Acadmica de Fsica - UFCG

_______________________________________________
Lusa Fernanda Ribeiro Reis
Examinadora externa
Escola de Engenharia de So Carlos USP

_______________________________________________
Vicente Delgado Moreira
Examinador externo
PETROBRAS

O Saber saber que nada se sabe.


Esta a definio do verdadeiro conhecimento.
Confncio

Agradecimentos

A Deus, pelo amparo nos momentos mais difceis;


minha famlia, em especial aos meus pais Francisco e Edite, pela confiana e apoio
incondicional a todas as minhas decises;
Ao meu esposo, Gildemberg, pela pacincia e companheirismo;
Aos orientadores Carlos e Fubica, pela orientao efetiva e constante desse trabalho, com
entusiasmo, confiana e dedicao;
Aos membros (Alan, Brbara, Bruno, Carlos, Cledson, Fubica, Ivonaldo, Kennedy, Marcell,
Thiago, Vincius e Zeca) e ex-membros (Esther, Euriclides e rico) do projeto
SmartPumping, co-responsveis pela execuo desse trabalho;
Aos colegas de mestrado (Alcidney, Cledson, Myrla, Renato e Simone) pelo apoio e amizade
consolidada durante esse perodo das nossas vidas;
Agradecimentos especiais a Esther e Marcell, pelas discusses e valiosas dicas aproveitadas
nesse trabalho;
A todos que compem o Laboratrio de Sistemas Distribudos, pela generosa acolhida e
gratificante convvio nesse ambiente;
Aos professores, funcionrios e colegas do Laboratrio de Hidrulica I e II, pelos
ensinamentos e servios prestados;
Aos engenheiros Fabiano Azevedo e Vicente Delgado da UN-RNCE e ao engenheiro Fbio
Arbex do CENPES, pelo esclarecimento de dvidas, discusses relevantes e envio de
dados necessrios execuo desse trabalho;
Coordenadoria de Aperfeioamento de Pessoal de Nvel Superior CAPES, pela bolsa de
estudo concedida;
Financiadora Nacional de Estudos e Projetos (FINEP) e Petrleo Brasileiro S.A.
(PETROBRAS), financiadores do projeto intitulado Controle Inteligente de Sistemas de
Bombeamento em Redes de Escoamento de Petrleo SmartPumping, cuja infraestrutura deu suporte ao desenvolvimento do presente trabalho.

ii

Resumo

A otimizao da operao de sistemas de escoamento de petrleo essencial para garantir o


atendimento das restries fsicas do sistema e a maximizao da eficincia dos objetivos
operacionais, pois que prolonga a vida til do sistema e mantm a produo do petrleo
dentro dos requisitos de quantidade e qualidade segundo critrios racionais no custeio da
energia eltrica. A utilizao de modelos de otimizao adaptados especificamente para
obteno da operao ideal permite oferecer uma possibilidade de operao mais racional,
diminuindo a subjetividade, os riscos de falhas humanas e os conflitos que geralmente
ocorrem quando a tentativa de otimizao feita de modo descentralizado e baseada
unicamente na experincia adquirida pelos operadores em campo. O algoritmo gentico tem
sido utilizado com freqncia na otimizao desses sistemas, e se destaca pela sua natureza
robusta, que permite associar as caractersticas de eficcia e eficincia. Recentemente tm
sido desenvolvidos diversos algoritmos genticos multi-objetivo, os quais tratam mais
realisticamente problemas complexos que necessitam da otimizao simultnea de diversos
objetivos. Esse trabalho analisa a incorporao de diversas tcnicas e alternativas ao mtodo
de otimizao multi-objetivo Strength Pareto Evolutionary Algorithm 2, com o propsito de
aumentar a sua eficincia e torn-lo aplicvel ao problema da otimizao da operao de
sistemas de escoamento de petrleo. As alternativas incorporadas abrangem a utilizao da
tcnica de seeding, de heursticas de reparo e descarte de solues inviveis, a integrao do
conceito de viabilidade com o conceito de dominncia, a introduo de conhecimentos nos
operadores de reproduo, dentre outras. Os experimentos foram conduzidos em uma subrede de escoamento de petrleo da Unidade de Negcios de Explorao e Produo do Rio
Grande do Norte e Cear da PETROBRAS, e os resultados validaram a metodologia como
eficiente e aplicvel ao problema, ao gerar boas alternativas para o escalonamento das bombas
da rede para um perodo de 24 horas, em um tempo hbil.

iii

Abstract

The optimization of the operation in oil pipeline networks is essential to guarantee the
attendance of constraints and to maximize the efficiency of the operational objectives, in
order to draw out its useful life while keeping the oil production in the requirements of
quantity and quality with rationality of the costs of electric energy. The use of computational
optimization models for solving this type of problem, allows to offer a more rational
operation, diminishing the subjectivity, the risks of imperfections and the conflicts that
generally occur when this operation are made decentralized and based solely in the experience
acquired in field. Genetic algorithms have been used to optimize these systems, and it
detaches for its robust nature, that allows associating its effectiveness and efficiency
characteristics. Recently, has been developed various multi-objective genetic algorithms,
which treat more reliability complex problems which need simultaneous optimization of
diverse objectives. This work analyzes the incorporation of diverse techniques and in the
Strength Pareto Evolutionary Algorithm 2, with the intention of increase its efficiency and
becoming applicable to the problem of pump scheduling in oil pipeline network. The
incorporated alternatives surround the use of the technique of seeding, of knowledge for
repair and discarding of infeasible solutions, the integration of the concept of viability with
the dominance criteria, the introduction of knowledge in the reproduction operators, among
others. The experiments are based in a small part of the pumping network of Unidade de
Negcios de Explorao e Produo do Rio Grande do Norte e Cear, of PETROBRAS, and
the results show an efficient and applicable methodology to the problem, which generates
good alternatives for the pump scheduling, for a period of 24 hour, in a skillful time.

iv

Lista de ilustraes

Figuras
Figura 1 Rede tpica de escoamento da produo de petrleo (BRASILEIRO, 2005)......................................... 6
Figura 2 Localizao da rede de transporte da UN-RNCE (Fonte: Arquivos de imagens da UN-RNCE)........... 8
Figura 3 Esquema da rede piloto da UN-RNCE................................................................................................. 11
Figura 4 Otimizao multi-objetivo baseada na preferncia (Adaptado de DEB, 2001).................................... 14
Figura 5 Otimizao multi-objetivo ideal (Adaptado de DEB, 2001). ............................................................... 14
Figura 6 Esquema do mtodo de seleo SUS. .................................................................................................. 27
Figura 7 Esquema do operador de cruzamento de um ponto.............................................................................. 28
Figura 8 Esquema do operador de cruzamento uniforme. .................................................................................. 29
Figura 9 Esquema do operador de mutao........................................................................................................ 29
Figura 10 Rede piloto modelada no SmartPumping........................................................................................... 64
Figura 11 Classificao dos indivduos considerando inicialmente as relaes de dominncia......................... 75
Figura 12 Classificao dos indivduos considerando inicialmente o conceito de viabilidade........................... 75
Figura 13 Representao do cromossomo. ......................................................................................................... 77
Figura 14 Cruzamento direcionado proposto por Brasileiro (2005). .................................................................. 79
Figura 15 Fluxograma de aplicao dos operadores para gerao da nova populao....................................... 82
Figura 16 Exemplo de atuao da regra de reparo.............................................................................................. 84
Figura 17 Modelagem da rede piloto simplificada para busca exaustiva. .......................................................... 88

Grficos
Grfico 1 Caracterizao do espao de busca para a rede piloto simplificada. .................................................. 98
Grfico 2 Distribuio das solues no espao de busca.................................................................................... 99
Grfico 3 Valores de funes-objetivo das solues do espao de busca......................................................... 100
Grfico 4 Distribuio das solues viveis no espao de busca. .................................................................... 101
Grfico 5 Funes-objetivo das solues viveis no espao de busca. ............................................................ 102
Grfico 6 Caracterizao das solues da fronteira Pareto............................................................................... 104
Grfico 7 Evoluo para a fronteira Pareto das metodologias A, B e C........................................................... 106
Grfico 8 Evoluo para a fronteira Pareto das metodologias C e 1. ............................................................... 111
Grfico 9 Evoluo para a fronteira Pareto das metodologias C e 2. ............................................................... 112
Grfico 10 Evoluo para a fronteira Pareto das metodologias C, 3 e 4. ......................................................... 113
Grfico 11 Evoluo para a fronteira Pareto das metodologias C, 5, 6, 7 e 8. ................................................. 115
Grfico 12 Evoluo para a fronteira Pareto das metodologias 9, 10 e 11. ...................................................... 122
Grfico 13 Evoluo da funo-objetivo 1 das metodologias aplicadas sobre a rede piloto. ........................... 126
Grfico 14 Evoluo da funo-objetivo 2 das metodologias aplicadas sobre a rede piloto. ........................... 126
Grfico 15 Evoluo da funo-objetivo 3 das metodologias aplicadas sobre a rede piloto. ........................... 127
Grfico 16 Evoluo da funo-objetivo 1 dos experimentos utilizando restrio temporal. .......................... 129
Grfico 17 Evoluo da funo-objetivo 2 dos experimentos utilizando restrio temporal. .......................... 129
Grfico 18 Evoluo da funo-objetivo 3 dos experimentos utilizando restrio temporal. .......................... 130
Grfico 19 Solues finais normalizadas da otimizao considerando a restrio temporal............................ 132

Tabelas
Tabela 1 Dados fsicos da rede piloto................................................................................................................. 12
Tabela 2 Propriedades dos fluidos da rede piloto. .............................................................................................. 12
Tabela 3 Dados de projeto e de operao da rede piloto. ................................................................................... 12
Tabela 4 Exemplo de codificaes binria Gray e convencional. ...................................................................... 23
Tabela 5 Caractersticas fsicas das bombas....................................................................................................... 64
Tabela 6 Caractersticas fsicas dos oleodutos.................................................................................................... 64
Tabela 7 Caractersticas fsicas dos tanques....................................................................................................... 64
Tabela 8 Previso da produo do fluido da rede piloto..................................................................................... 65
Tabela 9 Tarifas de energia eltrica.................................................................................................................... 65
Tabela 10 Critrios para aplicao da mutao direcionada alternativa. ............................................................ 80
Tabela 11 Parmetros do algoritmo gentico. .................................................................................................... 92
Tabela 12 Caracterizao dos pontos de falha das solues inviveis. .............................................................. 99
Tabela 13 Funes-objetivo das solues da fronteira Pareto da rede piloto simplificada............................... 103
Tabela 14 Mtrica de desempenho 1 para as metodologias A, B e C............................................................... 105
Tabela 15 Mtrica de desempenho 2 para as metodologias A, B e C............................................................... 105
Tabela 16 Mtrica de desempenho 3 para as metodologias A, B e C............................................................... 106
Tabela 17 Mtrica de desempenho 1 para as metodologias C e 1 a 8............................................................... 110
Tabela 18 Mtrica de desempenho 2 para as metodologias C e 1 a 8............................................................... 110
Tabela 19 Mtrica de desempenho 3 para as metodologias C e 1 a 8............................................................... 111
Tabela 20 Mtrica de desempenho 1 para as metodologias 9, 10 e 11. ............................................................ 121
Tabela 21 Mtrica de desempenho 2 para as metodologias 9, 10 e 11. ............................................................ 122
Tabela 22 Mtrica de desempenho 3 para as metodologias 9, 10 e 11. ............................................................ 122
Tabela 23 Mtrica de convergncia para os experimentos sobre a rede piloto................................................. 124
Tabela 24 Mtrica de diversidade para os experimentos sobre a rede piloto.................................................... 125
Tabela 25 Mtrica de otimizao para os experimentos sobre a rede piloto. ................................................... 125
Tabela 26 Mtrica de convergncia para os experimentos utilizando restrio temporal. ............................... 128
Tabela 27 Mtrica de diversidade para os experimentos utilizando restrio temporal. .................................. 128
Tabela 28 Mtrica de otimizao para os experimentos utilizando restrio temporal. ................................... 129
Tabela 29 Solues finais para a rede piloto considerando a restrio temporal.............................................. 132

Quadros
Quadro 1 Mtodos clssicos para otimizao multi-objetivo (DEB, 2001)........................................................ 18
Quadro 2 Diferenas entre os mtodos SPEA e SPEA2..................................................................................... 69
Quadro 3 Severidade das restries violadas...................................................................................................... 74
Quadro 4 Estratgias de reparo do calculador de soluo vivel........................................................................ 78
Quadro 5 Metodologias avaliadas na otimizao da rede piloto simplificada.................................................... 89

vi

Lista de abreviaturas e siglas


AG
ANEEL
API
BS&W
CENPES
COSERN
CNSGA
CSV
D
DPGA
ECC
ECS
ETO
FFGA
HLGA
I
LOR
LPX
MOEA
MOGA
MOP
ND
NDV
NPGA
NSGA
NSGA-II
PAES
Pc
PC
PESA
PETROBRAS
PAF
PF
Pm
pMOEA
PPP
PSPMEA

Algoritmo Gentico
Agncia Nacional de Energia Eltrica
American Petroleum Institute
Basic Sediments and Water
Centro de Pesquisas e Desenvolvimento Leopoldo Amrico Miguez de
Mello
Companhia Energtica do Rio Grande do Norte
Controlled elitist non-dominated sorting genetic algorithm
Calculador de soluo vivel
Dominado
Distance based Pareto genetic algorithm
Estaes coletoras centrais
Estaes coletoras satlites
Estao de tratamento de leo
Fonseca and Flemmings multi-objective genetic algorithm
Hajela and Lins genetic algorithm
Invivel
Lorena, estao coletora da UN-RNCE
Leste de Poo Xavier, estao coletora da UN-RNCE
Multi-objective evolutionary algorithm
Multiple objective genetic algorithm
Multi-objective optimization problem
No-dominado
No-dominado vivel
Niched-Pareto genetic algorithm
Non-dominated sorting genetic algorithm
Elitist non-dominated sorting genetic algorithm
Pareto archives evolution strategy
Probabilidade de cruzamento
Ponto de corte
Pareto envelope-based selection algorithm
Petrleo Brasileiro S.A.
Ponto anterior falha
Ponto de falha
Probabilidade de mutao
Parallel multi-objective evolutionary algorithm
Estao de pr-processamento de petrleo
Parallel strength Pareto multi-objective evolutionary algorithm

vii

RAND
RFQ
SOEA
SPEA
SPEA2
SUS
UFCG
UN-RNCE
UPN
V
VEGA
VOES
WBGA

Randomic
Riacho da Forquilha, estao coletora da UN-RNCE
Single-objetive evolutionary algorithm
Strength Pareto evolutionary algorithm
Strength Pareto evolutionary algorithm 2
Stochastic Universal Sampling
Universidade Federal de Campina Grande
Unidade de Negcios de Explorao e Produo do Rio Grande do
Norte e Cear
Upanema, estao coletora da UN-RNCE
Vivel
Vector evaluated genetic algorithm
Vector optimized evolution strategy
Weighted based genetic algorithm

viii

Lista de smbolos e notaes


a, b, c
Ab
B
BSW
C
Custo
d
D
DP

dc
dS
dms

E
f

Coeficientes da curva caracterstica da bomba


rea da base do tanque
Bomba de uma unidade consumidora do sistema
Valor do BS&W do fluido
Cluster (Grupo)
Custo de energia eltrica
Dimetro interno do duto
Densidade de vizinhana
Desvio padro da populao
Distncia euclidiana
Distncia entre clusters (grupos)
Durao do horizonte de operao
Durao do ms
Rugosidade absoluta do duto
Estado da bomba
Coeficiente do fator de atrito no duto

F
F (Q )

Aptido do indivduo

FO
FP
g

Funo-objetivo
Funo ponderada
Acelerao da gravidade

G
Hman
H
i
i
IC
J

L
MS
m, p

Gerao
Altura manomtrica da bomba
Carga piezomtrica
Intervalo de clculo do horizonte de operao
Durao do intervalo de clculo
Intervalo de confiana
Matriz jacobiana para clculo do equilbrio hidrulico
Fator de adequao da funo-objetivo 3
Comprimento do duto
Mtrica de espaamento
Parmetros da equao da viscosidade cinemtica

md
n
N
NC

Medida de distncia
Dimenso da amostra
Nvel de fluido no tanque
Nvel de controle do tanque
Nmero de ns de carga piezomtrica desconhecida

Ganho/perda de carga nos elementos

ix

M
B

Rendimento do motor

P
P*
PV *
Pot
Pop

Conjunto de solues
Conjunto de solues no-dominadas
Conjunto de solues no-dominadas viveis
Potncia da bomba
Populao corrente

Pop

Populao externa

PU

Unio da populao corrente com a populao externa

Pr
peso

Propriedade do fluido da estao receptora


Peso atribudo funo-objetivo para ponderao

Quantidade de indivduos da populao

Vazo

R
RF
Rey

Matriz para clculo do equilbrio hidrulico


Valor do Raw Fitness do indivduo
Nmero de Reynolds do escoamento

Massa especfica do fluido

s
S
st

Elemento com carga piezomtrica conhecida


Valor do Strength do indivduo
Coeficiente de Student

S
T
t
t
tarifa

Desvio padro da amostra


Temperatura do fluido
Intervalo de atuao
Durao do intervalo de atuao
Tarifa de energia eltrica

UC
V

Unidade consumidora de energia eltrica


Espao de busca das solues factveis
Viscosidade cinemtica do fluido
Varincia
Volume de fluido no tanque
Volume de fluido na entrada
Proporo percentual de volume
Volume entregue na estao receptora final

Var
Vt
Ve
%Vol
Volume

, l, , , k
|.|
.

Rendimento da bomba

Mdia amostral
Mdia populacional
Indivduos das populaes
Cardinalidade do conjunto
Arredondar para cima

Sumrio

Agradecimentos _____________________________________________________________i
Resumo___________________________________________________________________ ii
Abstract __________________________________________________________________iii
Lista de ilustraes _________________________________________________________ iv
Lista de abreviaturas e siglas _________________________________________________ vi
Lista de smbolos e notaes _________________________________________________viii
Sumrio __________________________________________________________________ x
1.

Introduo ____________________________________________________________ 1

2.

Operao de redes de escoamento de petrleo ________________________________ 5

3.

2.1.

Formalizao do problema ________________________________________________ 5

2.2.

Estudo de caso ___________________________________________________________ 8

Reviso Bibliogrfica __________________________________________________ 13


3.1.
3.1.1
3.1.2
3.1.3

3.2.

Otimizao multi-objetivo ________________________________________________ 13


Consideraes gerais __________________________________________________________ 13
Dominncia e conceitos de Pareto ________________________________________________ 15
Mtodos de otimizao ________________________________________________________ 16

Algoritmos evolucionrios ________________________________________________ 18

3.2.1
Princpios___________________________________________________________________
3.2.2
Algoritmos Genticos _________________________________________________________
3.2.2.1
Representao das solues________________________________________________
3.2.2.2
Populao inicial e substituio das populaes________________________________
3.2.2.3
Funo-objetivo e aptido _________________________________________________
3.2.2.4
Operador de seleo _____________________________________________________
3.2.2.5
Operadores de reproduo ________________________________________________
3.2.2.6
Convergncia do algoritmo ________________________________________________
3.2.2.7
Parmetros de controle ___________________________________________________
3.2.3
Algoritmos Evolucionrios para Otimizao Multi-objetivo____________________________
3.2.3.1
Breve Histrico _________________________________________________________
3.2.3.2
Mtricas de desempenho __________________________________________________
3.2.3.3
Considerao das restries _______________________________________________

3.3.
3.3.1
3.3.2

3.4.

4.

18
19
22
23
24
25
27
29
30
31
31
37
39

Trabalhos Correlatos ____________________________________________________ 40


Redes de escoamento de petrleo ________________________________________________ 40
Redes de escoamento de gua ___________________________________________________ 42

Anlise da reviso de literatura ____________________________________________ 45

Metodologia __________________________________________________________ 47

xi

4.1.
4.1.1
4.1.2
4.1.3
4.1.4
4.1.5

47
50
53
58
62

Objetivos da operao ___________________________________________________ 65

4.3.

Mtodo para otimizao multi-objetivo _____________________________________ 68

4.4.
4.4.1
4.4.2
4.4.3

4.5.

Algoritmo evolucionrio multi-objetivo SPEA2 _____________________________________


Incluso do conceito de viabilidade no mtodo SPEA2 _______________________________
Representao das solues e gerao da populao inicial ____________________________
Operadores de reproduo direcionados ___________________________________________
Descarte e reparo de indivduos inviveis __________________________________________
Reduo do conjunto final e escolha da soluo _____________________________________

68
73
76
78
82
84

Avaliao do modelo de otimizao multi-objetivo ____________________________ 87


Experimentos de avaliao _____________________________________________________ 87
Mtricas de desempenho para as metodologias aplicadas sobre a rede piloto simplificada ____ 93
Mtricas de desempenho para as metodologias aplicadas sobre a rede piloto_______________ 95

Processo de desenvolvimento do mtodo ____________________________________ 97

Resultados e discusso__________________________________________________ 98
5.1.

Espao de busca do problema _____________________________________________ 98

5.2.

Aplicao sobre a rede piloto simplificada __________________________________ 105

5.2.1
5.2.2
5.2.3

6.

Generalidades _______________________________________________________________
Mistura de fluidos ____________________________________________________________
Equilbrio hidrulico __________________________________________________________
Clculo tarifrio______________________________________________________________
Modelagem da rede piloto no SmartPumping _______________________________________

4.2.
4.3.1
4.3.2
4.3.3
4.3.4
4.3.5
4.3.6

5.

Modelo computacional SmartPumping _____________________________________ 47

Avaliao das alternativas de preenchimento da populao externa _____________________ 105


Avaliao das alternativas incorporadas individualmente metodologia base _____________ 109
Avaliao das alternativas incorporadas conjuntamente metodologia base ______________ 120

5.3.

Aplicao sobre a rede piloto _____________________________________________ 124

5.4.

Aplicao sobre a rede piloto com restrio temporal ________________________ 128

Concluses e recomendaes para estudos futuros __________________________ 133

Referncias Bibliogrficas _________________________________________________ 136

1. Introduo

O Brasil tornou-se no corrente ano um dos poucos pases auto-suficientes em petrleo,


ao produzir 1,9 milhes de barris/dia ao passo que consome 1,8 milhes. Cerca de 20% dessa
produo do tipo onshore (terrestre), sendo a Unidade de Negcios de Explorao e
Produo do Rio Grande do Norte e Cear (UN-RNCE) da PETROBRAS (Petrleo Brasileiro
S.A.) responsvel pela maior produo de petrleo nesse setor, explorando mais de 4.500
poos situados na bacia Potiguar, a qual abrange parte dos estados do Rio Grande do Norte e
Cear. A PETROBRAS e a UFCG vm desenvolvendo, em parceria, o sistema computacional
SmartPumping para controlar em tempo real o escoamento de fluidos em redes, e ser
utilizado, inicialmente, como subsdio tomada de deciso no mbito da UN-RNCE.
O controle operacional de um sistema de produo de petrleo consiste em determinar,
para um determinado horizonte futuro, quais bombas devem ser ligadas e em que intervalo de
tempo, de modo que as restries fsicas da rede sejam atendidas, a produo no seja
reduzida e os objetivos operacionais sejam atingidos com o mximo de eficincia. A adoo
de um mtodo de otimizao eficiente nas atividades operacionais de campo se prope a
diminuir a subjetividade inerente operao tradicionalmente realizada, a qual baseada na
experincia dos operadores, e aumentar a eficincia operacional.
Como os objetivos operacionais que se deseja atingir so de naturezas diferentes, o
problema caracterizado como multi-objetivo, cuja soluo se torna mais complexa,
principalmente devido aos objetivos serem geralmente conflitantes.
Em uma operao tpica do sub-sistema parque de bombas de uma rede de
escoamento de petrleo, o objetivo mais comum que se deseja atingir a minimizao do
custo de energia eltrica do bombeamento, o qual pode variar expressivamente em funo do
escalonamento adotado para aquela operao das bombas. Outros custos operacionais podem
ser expressos indiretamente em funo do escalonamento adotado para as bombas, como
atravs do nmero de chaveamentos do sistema que fornece um indicador do custo de
manuteno das bombas, e da manuteno das caractersticas requeridas para o fluido
entregue na estao de tratamento de leo - ETO, as quais influenciam na eficincia dos
equipamentos utilizados nessa estao.

A manuteno de propriedades como vazo e BS&W (porcentagem de gua e


sedimentos) do fluido entregue na ETO dentro dos limites estabelecidos, alm de otimizar a
operao realizada nessa estao, importante tambm para que a produo do sistema seja
constantemente mantida e que o fluido produzido esteja em conformidade com os limites
fixados pelo American Petroleum Institute (API), o que pode ser considerado um objetivo
operacional to ou mais importante que os anteriores.
Dentre as restries fsicas da rede a serem atendidas durante a operao, as quais
eventualmente podem ser consideradas como um objetivo explcito, esto o atendimento dos
limites de velocidade e presso nos dutos, das demandas da produo e dos limites de
armazenamento dos tanques. Alm das restries fsicas e dos objetivos operacionais, a
determinao da operao tima desses sistemas tambm est sujeita s restries temporais,
para que seja possvel a sua utilizao em campo.
Vrias tcnicas de otimizao tm sido utilizadas para o problema operacional do
escoamento em redes, tendo o algoritmo gentico se destacado na resoluo deste problema
devido a sua natureza robusta, obtida pela associao das caractersticas de eficcia e
eficincia. A eficincia a capacidade de o algoritmo encontrar rapidamente uma soluo
para o problema, enquanto que a eficcia a capacidade de encontrar a (ou se aproximar da)
soluo tima global, a qual composta de mltiplas solues timas, no caso da otimizao
ser multi-objetivo.
Especificamente para as redes de escoamento de petrleo a natureza multi-objetivo do
problema do escalonamento das bombas no tem sido considerada na literatura. De um modo
geral, a maioria das metodologias que vem sendo empregadas para resoluo desse tipo de
problema no est adaptada para aplicao ao mundo real, por no considerar a complexidade
inerente da dimenso das redes, no ajustar-se s particularidades tpicas da operao de que
se trata e no considerar a restrio temporal necessria para utilizao contnua em campo.
Nesse contexto, o objetivo dessa pesquisa indicar uma metodologia aplicvel
otimizao da operao de sistemas de escoamento de petrleo, considerando os mltiplos
objetivos e as restries especficas do problema. Foi escolhida a tcnica dos algoritmos
genticos, a qual se mostra mais adequada para otimizao do problema em anlise devido: 1)
ao espao de busca grande e complexo, com presena de timos locais, situao que os
algoritmos genticos conseguem contornar com facilidade devido explorao simultnea de
vrios pontos no espao de busca; 2) combinao de bombas diferentes na rede de
escoamento e de restries complicadas, o que dificulta a representao atravs de equaes

matemticas, requeridas em outros mtodos de otimizao; 3) adoo de funes-objetivo


conflitantes e de grandezas diversas, as quais podem ser consideradas explicitamente em uma
otimizao por algoritmo gentico, sem a necessidade de normalizao; e 4) necessidade de
utilizao de um simulador hidrulico externo, no qual um algoritmo gentico pode ser
facilmente acoplado.
Aps a definio de um mtodo evolucionrio multi-objetivo, sero incorporadas, nesse
mtodo, tcnicas e alternativas que se propem a aumentar sua eficincia e eficcia, bem
como suprir algumas de suas deficincias. Dessa forma, os objetivos especficos dessa
pesquisa constituem em quantificar o ganho de desempenho obtido quando da incluso de
conhecimento nos operadores do algoritmo gentico e da utilizao de heursticas de reparo,
descarte e ordenamento das solues inviveis.
Esse trabalho est organizado em seis captulos. No captulo 2, so apresentadas as
caractersticas da operao em redes de escoamento de petrleo, como tambm os problemas
inerentes dessa operao. A delimitao da rede de estudo, parte integrante da UN-RNCE, a
qual servir para anlise e validao do algoritmo gentico multi-objetivo e das alternativas
incorporadas, tambm apresentada nesse captulo.
No captulo 3 realizada a reviso da literatura sobre os algoritmos evolucionrios, em
especial dos algoritmos genticos, com reviso dos seus fundamentos e das suas vantagens em
relao aos mtodos tradicionais em problemas complexos. Especificamente para os
algoritmos evolucionrios multi-objetivo, apresentado um breve histrico da evoluo e
aperfeioamento desses mtodos at os dias atuais. Ao final do captulo, feita uma anlise
das pesquisas correlatas, tanto para o caso do escoamento de petrleo quanto para o caso do
escoamento de gua, cujo estado da arte apresenta-se muito mais evoludo e amplo do que
para o caso do petrleo.
O captulo 4 se prope a detalhar cada metodologia utilizada nessa pesquisa, iniciando
pela descrio do modelo computacional SmartPumping, o qual utilizado para simulao
hidrulica do escoamento e clculo tarifrio da operao. Apresenta ainda a definio das
funes-objetivo a serem otimizadas, o detalhamento da metodologia de otimizao multiobjetivo adotada e a descrio dos experimentos realizados para avaliao do desempenho
dessa metodologia.
Os resultados dos experimentos so apresentados no captulo 5, cuja anlise conduz
seleo de uma metodologia robusta e adequada para a resoluo do problema da operao

das bombas em um sistema de escoamento de petrleo. Neste captulo, realizada ainda, a


anlise da viabilidade da utilizao, em campo, da metodologia selecionada. Finalmente, o
captulo 6, apresenta as concluses e sugestes para novos estudos em continuidade ao
presente.

2. Operao de redes de escoamento de petrleo

2.1. Formalizao do problema

O petrleo uma substncia oleosa, inflamvel, menos densa que a gua, com cheiro
caracterstico e de cor variando entre o negro e o castanho escuro. encontrado concentrado
em terrenos denominados bacias sedimentares, formadas por camadas ou lenis porosos de
areia, arenitos ou calcrios. Ao acumular-se, formam jazidas, onde encontrado o gs natural,
na parte mais alta, e petrleo e gua, nas mais baixas.
O sistema de produo de petrleo tem incio com a extrao nos poos, onde o fluido
emergido (composto de gua salgada, gs natural e petrleo bruto) centralizado em um
equipamento denominado manifold que envia a produo de diferentes poos para uma
Estao Coletora. O gs natural produzido pode ser queimado na prpria estao, ou
direcionado para um gasoduto e conduzido para uma Unidade de Processamento de Gs
Natural - UPGN.
Parte da gua produzida pelos poos separada na estao coletora, o restante
bombeado atravs de oleodutos, juntamente com o petrleo, para a Estao de Tratamento de
leo - ETO. A gua extrada, que no possui valor econmico, tratada e reinjetada nos
poos, atuando como mantenedora da presso da jazida, ou descartada atravs de emissrio
submarino, atendendo s normas ambientais que rejeitam o seu despejo a cu aberto. Na
estao de tratamento, o petrleo previamente tratado para atender s normas estabelecidas
antes de ser enviado para as refinarias. Nessa estao ocorre a reduo do BS&W (Basic

Sediments and Water) que o percentual de gua e sedimentos presente no petrleo, at os


limites fixados pelo API (American Petroleum Institute).
A Figura 1 mostra a configurao tpica de uma rede de escoamento da produo de
petrleo. As estaes coletoras que recebem produo apenas de poos so denominadas
Estaes Coletoras Satlites ECS, enquanto as que recebem, alm dos poos, produo de
outras estaes, so denominadas Estaes Coletoras Centrais ECC.

ECC

B
ET

ECS

B
Oleoduto Central

ECS

ECS

ECC

ECS

ECC

Poos

B - bombas
ECS estao coletora satlite
ECC estao coletora central
ET estao de tratamento

Figura 1 Rede tpica de escoamento da produo de petrleo (BRASILEIRO, 2005).

Uma das principais metas que se deseja atingir na operao de uma rede de escoamento
de petrleo, considerando exclusivamente o sub-sistema parque de bombas, diminuir os
custos com energia eltrica referente ao bombeamento. O custo de energia eltrica composto
pelo custo de bombeamento dos poos para as estaes coletoras, pelo custo de bombeamento
das estaes coletoras para a estao de tratamento, por custos de iluminao, entre outros.
O custo de bombeio dos poos para as estaes coletoras pouco varivel, devido ao
seu funcionamento contnuo. Desse modo, o sistema modelado nesse trabalho compreende
apenas a produo entre as estaes coletoras e a de tratamento por fornecer maior
possibilidade de economia de energia eltrica atravs do escalonamento inteligente das
bombas, diminuindo ou interrompendo o bombeamento em horrios de pico de energia
eltrica quando as tarifas so mais caras.
A reduo dos custos de manuteno dos sistemas de bombeamento das estaes
coletoras outro objetivo a ser alcanado. Esse custo de difcil quantificao, mas
fortemente influenciado pela operao das bombas, sendo que escalonamentos com um alto
nmero de chaveamentos aceleram o desgaste das bombas e diminuem a sua vida til. O
nmero de chaveamentos em um sistema a quantidade de vezes que cada bomba que estava
desligada foi acionada, e pode ser utilizado como parmetro na escolha de solues que iro
provocar menos desgaste, e, portanto, menores custos.

O processo de tratamento de leo na ETO influenciado pela variao das


caractersticas do fluido recebido nesta estao, de maneira que faz-se necessrio minimizar a
variao daquelas caractersticas at para que se aperfeioe o processo. Uma vazo pouco
varivel nessa estao possibilita, por exemplo, otimizar a operao do extrator e do separador
de leo, os quais foram projetados para operar em uma vazo pr-determinada ou numa faixa
estreita de vazo.
O volume de produtos qumicos utilizado para o tratamento do leo proporcional,
dentre outros, ao BS&W do fluido recebido na ETO. Por um lado, se a porcentagem de gua
que chega nessa estao est abaixo dos limites estabelecidos, o volume de produtos qumicos
utilizado tornar-se- super-dimensionado, causando desperdcios dos produtos; por outro lado,
se a porcentagem de gua est muito acima do esperado, o volume de produtos qumicos se
tornar insuficiente, sendo necessrio, algumas vezes, reprocessar o leo. Desse modo, um
fluido com propriedades e fluxo constantes na entrada da estao de tratamento de leo
constitui objetivo da operao.
Alm dos objetivos operacionais expostos, o atendimento do aumento de produo do
sistema, sem que haja interferncia em sua rede fsica, uma meta a ser atingida. Segundo
Silva (1999), um dos investimentos mais altos na estruturao da capacidade de escoamento
de petrleo est na fase de construo dos dutos. Aps essa construo, se houver deficincias
na capacidade de escoamento da rede, devido a um aumento expressivo da produo, por
exemplo, os gastos envolvidos no redimensionamento das redes sero extremamente altos, por
se tratar de dezenas, ou centenas, de quilmetros de dutos e requerer algum tipo de
paralisao parcial da linha de produo. Logo, quanto mais eficientemente esses sistemas
forem operados, mais adiada ser uma interferncia na estrutura fsica na rede de escoamento.
A rede de escoamento de petrleo est sujeita, ainda, a uma srie de restries fsicas e
operacionais, tais como o limite de armazenamento dos tanques, a capacidade das bombas e
os limites de presses e velocidades nos dutos. O problema da operao desses sistemas se
resume em determinar, para um horizonte definido, quais bombas devem operar em cada
intervalo de tempo de modo que as restries sejam satisfeitas, os mltiplos objetivos sejam
otimizados e a demanda de produo seja atendida.

2.2. Estudo de caso

A Unidade de Negcios de Explorao e Produo do Rio Grande do Norte e Cear


(UN-RNCE) da PETROBRAS (Petrleo Brasileiro S.A.) responsvel pela maior produo
de petrleo terrestre do Brasil, explorando mais de 4.500 poos compreendidos entre os
estados do Rio Grande do Norte e Cear. So cerca de 70 estaes coletoras que utilizam em
torno de 270 bombas para conduzir a produo ao longo de 300 km de dutos at a estao de
tratamento de leo em Guamar, localizada no litoral norte do estado do Rio Grande do Norte
(Figura 2).

Figura 2 Localizao da rede de transporte da UN-RNCE (Fonte: Arquivos de imagens da


UN-RNCE)

O controle da operao desse sistema feito de forma descentralizada, com auxlio de


equipamentos de segurana como sensores de nvel e pressostatos e observando-se um
sistema de monitoramento, denominado supervisrio, o qual disponibiliza os nveis dos
tanques registrados atravs dos transmissores de nvel. Uma operao usual consiste em

desligar as bombas apenas quando os seus tanques de armazenamento esto prximos do nvel
mnimo de controle e no horrio de pico de energia eltrica. Dessa forma, o escalonamento
global das bombas gerado para o sistema pode no representar uma operao tima, pois, os
operadores de cada unidade administrativa, composta por uma estao coletora central e suas
estaes coletoras satlites, tm uma viso limitada do sistema como um todo. Como essas
estaes compartilham a mesma estao de tratamento de leo e utilizam da mesma rede de
oleodutos, podem ocorrer violaes nas restries operacionais do sistema, como os limites de
presso e velocidade nos dutos e o armazenamento nos tanques da ETO, e/ou o no
atendimento dos demais objetivos almejados na operao.
Para minimizar os conflitos inerentes complexidade do monitoramento e controle das
redes de escoamento e tornar a operao mais eficiente, a PETROBRAS e a UFCG vm
desenvolvendo, em parceria, o sistema computacional SmartPumping (GALVO et al., 2004;
BRASILEIRO, et al., 2003; http://www.lsd.ufcg.edu.br/sp) cujo objetivo principal controlar
em tempo real o escoamento de fluidos em redes.
A rede de escoamento composta pelas estaes coletoras Lorena - LOR, Riacho da
Forquilha - RFQ e Leste de Poo Xavier - LPX, que bombeiam sua produo para a Estao
Coletora Central Upanema UPN, est sendo utilizada para calibrao do modelo hidrulico
do SmartPumping atravs do monitoramento registrado no sistema de monitoramento da UNRNCE, sendo denominada de rede piloto. Essa rede ser utilizada para testes, anlise e
validao do modelo de otimizao aqui proposto. Na Figura 3 (pg. 11) mostrada a posio
relativa das estaes da rede piloto, a quantidade de bombas e tanques em cada estao, o
comprimento dos dutos que ligam as estaes e suas respectivas cotas topogrficas (altura em
relao ao nvel do mar).
Dados fsicos e operacionais da rede piloto foram obtidos atravs de visitas a campo e
informaes disponibilizadas pela PETROBRAS. As estaes de RFQ, LPX e UPN contm,
cada uma, dois tanques de armazenamento. Foi constatado que, com exceo de LPX, os
tanques de RFQ e UPN funcionam individualmente, ou seja, no-equalizados.
As bombas do sistema, em um total de seis, so do tipo volumtricas rotativas. Nas
bombas volumtricas, a movimentao do fluido causada diretamente pela ao do rgo de
impulso da bomba que obriga o fluido a executar o mesmo movimento a que est sujeito esse
impulsor, e operam aquelas bombas apanhando um volume fixo de lquido e libertando a uma
presso mais alta por meio de um pisto (volumtricas alternativas) ou de uma engrenagem
rotativa (volumtricas rotativas).

10

Bombas volumtricas alternativas envolvem o movimento de vai-e-vem de um pisto no


interior de um cilindro, resultando em um escoamento intermitente, pois, para cada golpe do
pisto, um volume fixo do lquido descarregado na bomba. Ao contrrio das bombas
alternativas, as bombas rotativas resultam em um escoamento contnuo, pois utilizam uma
engrenagem, lbulo, parafuso, ou cata-vento para comprimir o lquido, o qual entra do lado de
baixa presso por uma abertura entre o elemento giratrio e a parede de bomba e expulso
por uma vlvula de mo nica. Bombas volumtricas rotativas so tipicamente usadas em
altas presses, e so boas para fluidos viscosos e de baixa presso de vapor (MACINTYRE,
1997).
O primeiro trecho da rede, entre RFQ e LPX possui dimetro interno do duto de 154,00
mm; j os demais trechos possuem dimetro interno de 261,88 mm. O oleoduto que sai de
RFQ passa por dentro da estao LPX, o que significa que o trecho entre LPX e LOR deve
comportar, alm da produo de LPX, tambm a produo de RFQ, e assim por diante. A
Tabela 1, vide pgina 12, mostra os dados fsicos dos tanques, dutos e bombas fornecidos para
a rede piloto. A Tabela 2, por sua vez, mostra os valores aproximados das propriedades dos
fluidos em cada estao coletora, obtidos a partir de uma medio especfica, portanto,
sujeitos a variao em medies posteriores. A Tabela 3 mostra os dados de projeto e de
operao fornecidos para a rede piloto.

11

Figura 3 Esquema da rede piloto da UN-RNCE.

12

Tabela 1 Dados fsicos da rede piloto.


Estao

TANQUES
Dimetro [m]

Altura [m]
7,612
7,612
8,200
8,200
7,310
9,112
9,112

RQF
LPX
LOR
UPN
Estao
RQF
LPX
LOR
UPN
Estao
RFQ/LPX
LPX/LOR
LOR/UPN

Cota da base [m]


7,637
7,637
5,000
5,000
7,637
11,000
11,000

89,00
89,00
54,50
54,50
79,50
83,50
83,50

BOMBAS
Fabricante
NETZSCH
NETZSCH
NETZSCH
NETZSCH
NETZSCH
NETZSCH
NETZSCH
WORTHINGTON
Cota inicial [m]
89,00
54,50
79,50

Modelo
8NE100A
8NE100A
8NE100A
8NE100A
2NE89A
2NE89A
NE80A
4HO124

Cota final [m]


54,50
79,50
83,50

DUTOS
Comprimento [m]
14.000
17.000
28.000

Dimetro interno [mm]


154,00
261,88
261,88

Tabela 2 Propriedades dos fluidos da rede piloto.


Estao
RQF
LPX
LOR

BS&W [%]
1,00
6,00
23,00

Densidade
0,841
0,825
0,834

Viscosidade cinemtica [cP]


40C
60C
8,00
4,00
6,00
4,00
6,00
4,00

Tabela 3 Dados de projeto e de operao da rede piloto.

Projeto
Operao

Duto
Temperatura [C]
Presso mxima [kgf/cm]
Vazo [m/h]
Presso mxima [kgf/cm]
Temperatura [C]

RFQ/LPX
40,00
72,80
45,00 a 90,00
42,00
15,00 a 45,00

LPX/LOR/UPN
30,00
30,00
200,00 a 225,00
20,00
18,00 a 45,00

13

3. Reviso Bibliogrfica

3.1. Otimizao multi-objetivo

3.1.1

Consideraes gerais

Otimizao o processo de procura da melhor soluo possvel para um problema,


respeitando um conjunto de limitaes ou restries. Quando o problema requer apenas um
objetivo a ser otimizado, a meta encontrar ou se aproximar, ao mximo, da melhor soluo
possvel, denominada timo global. Contudo, muitos problemas requerem a otimizao de
mais de um objetivo simultaneamente, sendo denominados problemas de otimizao multiobjetivo (Multi-objective optimization problem MOP) e requerendo uma fundamentao
diferente da adotada em problemas de otimizao de um nico objetivo. Normalmente os
objetivos so conflitantes entre si, e, nesses casos, no existe apenas uma soluo para o
problema, mas vrias solues favorveis ou solues de compromisso (trade-offs) para todos
os objetivos.
Deb (2001) apresenta duas abordagens para soluo de problemas de otimizao multiobjetivo: a Abordagem Clssica e a Abordagem Geral. A primeira recomendada quando
existe uma preferncia relativa pr-definida entre os objetivos de um problema, e consiste em
formular uma funo-objetivo composta pela soma ponderada dos objetivos. Desse modo, o
problema de otimizao multi-objetivo se converte em um problema de objetivo nico, como
esquematizado na Figura 4 (pg. 14) para um problema com dois objetivos a serem
minimizados.
Ao utilizar essa abordagem, quando os valores dos objetivos so de grandezas diversas,
recomenda-se normalizar esses valores antes da composio da funo-objetivo. A
normalizao o processo que permite que valores de grandezas no comparveis entre si
sejam convertidos para uma mesma escala, possibilitando a comparao ou agregao desses
valores.

14

Problema de otimizao
multi-objetivo
minimize f1
minimize f2
Sujeito a restries

Estimativa do vetor
de pesos
(w1, w2)

Normalizao dos
objetivos
(f11, f21)

Composio da
funo objetivo
F=w1.f11 +w2.f21

Uma soluo tima


f1

f2

Figura 4 Otimizao multi-objetivo baseada na preferncia (Adaptado de DEB, 2001).

Problema de otimizao
multi-objetivo
minimize f1
minimize f2
Sujeito a restries

Otimizao
multi-objetivo

Mltiplas solues de
compromisso
encontradas
f1

f2

Escolha da soluo
f1

f2

Figura 5 Otimizao multi-objetivo ideal (Adaptado de DEB, 2001).

Quando se deseja diminuir a subjetividade referente definio dos pesos entre os


objetivos, Deb (op. cit) recomenda utilizar a Abordagem Geral esquematizada na Figura 5 e
denominada ideal. Por essa abordagem um conjunto de solues de compromisso para todos

15

os objetivos encontrado para, s ento, serem utilizadas informaes adicionais que


definiro uma nica soluo tima.

3.1.2

Dominncia e conceitos de Pareto

O conceito de timo de Pareto foi formulado pelo mesmo, Vilfredo Pareto, no sculo
XIX (PARETO, 1896 apud COELLO, 2000) e tem como definio: Dado um conjunto de
solues para um problema de otimizao multi-objetivo, so denominadas timos de Pareto
aquelas que, entre si, s possvel melhorar um objetivo causando um detrimento simultneo
em outro, e so melhores que as demais em pelo menos um objetivo. As solues que
atendem ao conceito de timo de Pareto so chamadas no-dominadas e, quando dispostas no
espao de funes-objetivo, definem a fronteira Pareto.
Uma soluo X 1 dita no-dominada por uma soluo X 2 quando ela no mnimo to
boa quanto a soluo X 2 , de acordo com todos os objetivos, e X 1 melhor do que X 2 , de
acordo com pelo menos um objetivo ou, matematicamente, quando as seguintes condies so
atendidas:

{i : FOi ( X 1 )pFOi ( X 2 )}

{j : FO ( X
j

) p FO j ( X 2 )},

com

significando, respectivamente, que a soluo melhor ou igual e melhor.


Em um conjunto de solues P , podem ser identificadas as solues dominadas e as
no-dominadas. Um conjunto de solues no-dominadas P * caracterizado por: quaisquer
duas solues de P * so no-dominadas com respeito uma outra e qualquer soluo que no
pertena a P * dominada por pelo menos um dos membros de P * . Quando a regio do
conjunto P representa todo o espao de busca das solues factveis V , o conjunto de
solues no-dominadas denominado conjunto timo de Pareto. Logo, o conjunto timo de
Pareto o conjunto de todas as solues no-dominadas do espao de busca das solues
factveis, representado matematicamente por P* = {X i V |/X j V : X i dominado por X j }
(DEB, 2001).
Em um problema de otimizao multi-objetivo, duas metas devem ser atingidas para
que o conjunto de solues no-dominadas encontrado seja considerado satisfatrio: que suas
solues estejam to prximas quanto possvel da fronteira de Pareto e que suas solues
sejam to diversificadas quanto possvel. A primeira meta similar desejada na otimizao

16

de um nico objetivo, a qual se dedica a encontrar o timo global do sistema, enquanto que a
segunda especfica para otimizao multi-objetivo, e requerida para que seja garantida a
diversidade de solues de compromisso entre todos os objetivos.

3.1.3

Mtodos de otimizao

Os mtodos de otimizao podem ser classificados de uma maneira geral em mtodos


de programao linear e de programao no-linear. Os mtodos de programao linear
exigem que o problema seja representado atravs de um conjunto de equaes lineares, e
normalmente no se aplicam aos problemas de engenharia, os quais so geralmente
complexos, no-lineares, de difcil representao e descritos por funes nem sempre
diferenciveis (VILA et al., 2003). Os mtodos de programao no-linear podem ser
classificados em trs grupos: Enumerativos, Determinsticos e Estocsticos.
A enumerao completa, tambm denominada busca exaustiva, um mtodo
enumerativo que consiste em realizar uma varredura completa de todas as solues possveis
e, portanto, garante que o timo global seja sempre encontrado. Apesar da simplicidade, essa
metodologia no recomendvel para otimizaes de problemas que possuem espaos de
busca muito grande, pois podem requerer um tempo inexeqvel para avaliar todas as
solues (MICHALEWICZ & FOGEL, 2002).
Embora a busca exaustiva seja um processo determinstico, esse tipo de mtodo se
diferencia dos mtodos determinsticos propriamente ditos por no utilizar nenhuma
heurstica durante a sua evoluo. Os mtodos determinsticos so caracterizados pela busca
de solues no espao de otimizao utilizando geralmente derivadas da funo, e tm
aplicao mais recomendada em problemas com funes contnuas, convexas e unimodais. O
mtodo da subida de encosta (hill climbing) um representante desta classe e, caracteriza-se
por investigar os pontos adjacentes do espao de busca e mover-se na direo que melhora o
valor da funo-objetivo (COELLO et al., 2002).
Os mtodos estocsticos foram desenvolvidos como metodologias alternativas para
soluo de problemas com espaos de busca complexos, cuja utilizao de mtodos
determinsticos nem sempre se torna eficiente. Essa classe de mtodos geralmente geram boas

17

solues para a maioria dos problemas de otimizao nos quais as buscas determinsticas
tradicionais encontram dificuldades (COELLO et al., 2002).
A busca randmica o exemplo mais simples de uma estratgia estocstica, e consiste
basicamente em avaliar um dado nmero de solues selecionadas aleatoriamente do espao
de busca. Os algoritmos evolucionrios (MICHALEWICZ et al., 1997) tambm so
representantes dessa classe de mtodos, os quais so baseados no princpio da evoluo
natural: sobrevivncia do mais forte; e tm como principais representantes as estratgias
evolutivas, a programao evolucionria, a programao gentica e os algoritmos genticos.
Independente do tipo de mtodo de otimizao escolhido, a formulao utilizada para
adaptar esses mtodos a uma otimizao multi-objetivo pode ser de vrias maneiras, onde
podem ser destacados os mtodos clssicos e os mtodos evolucionrios. Os mtodos
clssicos geralmente evitam a complexidade envolvida em um problema multi-objetivo
convertendo os vrios objetivos em uma nica funo-objetivo e apresentam como
caracterstica comum o fato de encontrar apenas uma soluo do conjunto timo de Pareto e a
exigncia de um conhecimento superior do problema para definio do grau de importncia
de um objetivo sobre o outro. Alguns mtodos clssicos encontram dificuldades em encontrar
solues do conjunto timo de Pareto em espaos de busca no-convexos. O Quadro 1 mostra
alguns mtodos clssicos para otimizao multi-objetivo descritos em Deb (2001).

18

Quadro 1 Mtodos clssicos para otimizao multi-objetivo (DEB, 2001).


Mtodo

Caractersticas
o mtodo mais simples para otimizao com mltiplos objetivos, em que o usurio
deve fornecer um conjunto de pesos e fatores para cada objetivo considerado. Em
problemas com fronteiras de Pareto convexas, o timo encontrado geralmente pertence

Weighted-sum

ao conjunto timo de Pareto, no entanto, em problemas com fronteiras no-convexas, o

method

mtodo encontra dificuldades para encontrar uma soluo pertencente ao conjunto


timo de Pareto. Outra desvantagem do mtodo que todos os objetivos devem ser
necessariamente convertidos para um nico tipo (minimizao ou maximizao) e
normalizados.
O objetivo mais relevante otimizado atravs de uma funo-objetivo simples e os

-constraint
method

demais objetivos so adicionados em forma de restries otimizao. Assim, como no


mtodo anterior, requer informaes adicionais do usurio as quais influenciam
fortemente o resultado da otimizao. No entanto, apresenta bons resultados em
espaos de busca convexos e no-convexos.
A caracterstica principal a otimizao de todos os objetivos independentemente. Ao

Weighted metric

aplicar essa metodologia necessrio normalizar as funes-objetivo quando elas

method

apresentam diferentes ordens de magnitudes, o que requer o conhecimento dos


extremos das funes de cada objetivo.
A idia principal encontrar solues que atinjam uma meta pr-definida para uma

Goal programming

funo ou um conjunto de funes-objetivo. Cada meta convertida em pelo menos

method

uma funo de igualdade; o objetivo minimizar as divergncias entre as solues


encontradas e a soluo esperada.

3.2. Algoritmos evolucionrios

3.2.1 Princpios

Os algoritmos evolucionrios baseiam-se no processo de evoluo dos seres vivos na


busca pela soluo tima. A evoluo dos seres vivos se fundamenta no fato que, ao longo das
geraes os que so mais aptos em uma populao tm uma probabilidade maior de
sobreviver e gerar descendentes do que os seres vivos menos aptos, que geralmente so
eliminados de modo rpido. Associados ao processo de seleo natural, esto os fenmenos

19

de recombinao e de mutao, que ocorrem durante o processo de reproduo, atuando sobre


o material gentico dos cromossomos e garantindo a diversidade das espcies na populao.
Em cada iterao, o algoritmo evolucionrio utiliza uma populao de solues ao invs
de uma nica soluo. Logo, o resultado de um algoritmo evolucionrio tambm uma
populao de solues, tornando esse algoritmo ideal para ser utilizado em um problema
multi-objetivo (DEB, 2001). Outra vantagem dos algoritmos evolucionrios sobre os mtodos
clssicos de otimizao multi-objetivo, que eles so menos suscetveis forma ou
continuidade da fronteira Pareto ao adaptar-se bem com descontinuidades e concavidades da
fronteira (COELLO, 2006).

3.2.2 Algoritmos Genticos

Os algoritmos genticos (AGs) foram introduzidos por John Holland e popularizados


por um dos seus alunos, David Goldberg (HOLLAND, 1975 apud GOLDBERG, 1989).
Compreende os processos de seleo e gentica das populaes, em analogia ao princpio de
seleo natural e sobrevivncia dos mais aptos, declarado em 1859 pelo naturalista e
fisiologista ingls Charles Darwin em seu livro A Origem das Espcies. So algoritmos
computavelmente simples, no entanto, bastante poderosos na otimizao, uma vez que
promovem uma procura robusta em espaos complexos. Goldberg (1989) definiu robustez em
mtodos de otimizao como o equilbrio entre a eficincia e a eficcia, necessrio para
sobrevivncia em ambientes diferentes.
Os procedimentos bsicos comuns implementao de qualquer algoritmo gentico so
(GOLDBERG, 1989): 1) escolha da sistemtica de representao das variveis de deciso; 2)
gerao de uma populao inicial com solues alternativas para o problema; 3) definio da
funo-objetivo; 4) especificao dos operadores genticos para os mecanismos de seleo,
recombinao e mutao; e 5) escolha dos parmetros do AG tais como probabilidades de
recombinao e mutao, tamanho da populao, condio de finalizao e tipo de
substituio dos indivduos pais pelos filhos.
O algoritmo gentico original, proposto por Holland, possui um mecanismo
extremamente simples, compreendendo fundamentalmente cpias e trocas parciais de
cromossomos. Antes de iniciar a otimizao, as variveis de deciso so codificadas na forma

20

de um cromossomo, geralmente representado por uma cadeia de bits. A populao inicial


criada aleatoriamente a partir do espao de busca, que a regio de todas as possveis
solues (cromossomos) do problema. Os indivduos da populao inicial so avaliados e
ordenados de acordo com o critrio de aptido atribudo atravs da funo-objetivo. Os
melhores cromossomos dessa populao so selecionados para reproduo e uma cpia destes
alocada em uma populao intermediria (mating pool).
Para gerao da nova populao, cromossomos filhos so gerados mediante a
recombinao de dois cromossomos da populao intermediria (cromossomos pais) atravs
do operador de recombinao (crossover). Alguns desses cromossomos filhos (porcentagem
muito baixa) so modificados pelo operador de mutao (mutation). Em cada gerao, novas
populaes so criadas, produzindo progressivamente descendentes mais aptos, ou seja, com
melhores valores de aptido, at que algum critrio de parada seja atingido.
Beasley et al. (1993) consideram que um algoritmo de otimizao para ser eficiente
deve explorar pontos desconhecidos no espao de busca e utilizar as informaes presentes
nas solues j encontradas, sendo essas duas tcnicas denominadas respectivamente de

exploration (explorao) e exploitation (prospeco). Os algoritmos genticos so


considerados bons algoritmos de otimizao por apresentar possibilidades de implementao
dessas duas tcnicas atravs dos operadores genticos.
Os operadores de seleo caracterizam a tcnica exploitation, uma vez que dirige a
busca em direo aos melhores pontos do espao. Por sua vez, os operadores de recombinao
e mutao exploram pontos desconhecidos do espao de busca, atravs da variao nos
cromossomos da populao (exploration). O ideal que haja um equilbrio entre essas duas
tcnicas, pois, algoritmos genticos com presso de seleo muito baixa (i.e., quando a
aptido praticamente a mesma para todos os indivduos) assumem um comportamento
aleatrio semelhante aos do mtodo Gerar e Testar (muito exploration), enquanto que AGs
com presso de seleo muito alta (i.e., presena de super-cromossomos na populao),
assumem um comportamento muito localizado, semelhante aos mtodos de Subida de
encosta (muito exploitation).
Diversos autores destacam as vantagens do algoritmo gentico em relao a outros
mtodos de otimizao, principalmente quando o problema a ser otimizado representado por
funes no-lineares ou possui um espao de busca complexo. Entre essas vantagens se pode
citar (GOLDBERG, 1989; LACERDA & CARVALHO, 1999):

21

Realizam buscas simultneas em vrias regies do espao de busca, pois trabalham

com uma populao e no com um nico ponto;

Utilizam apenas informaes da funo-objetivo, no requerendo o uso de

derivadas ou outro conhecimento auxiliar;

Utilizam regras de transio probabilsticas ao invs de determinsticas;

Funcionam tanto com parmetros contnuos como discretos ou uma combinao

deles;

Otimizam funes-objetivo com superfcies complexas e complicadas, reduzindo a

incidncia de mnimos locais;

So fceis de serem implementados e adaptam-se bem a computadores paralelos;

Possuem flexibilidade quanto aos tipos de funo-objetivo;

So flexveis para trabalhar com restries arbitrrias e otimizar mltiplas funes

com objetivos conflitantes;

Podem ser hibridizados com outras tcnicas de otimizao.

Por outro lado, o algoritmo gentico possui algumas deficincias que so


freqentemente alvo de crticas, dentre as quais as principais so uma convergncia
relativamente lenta e certa dificuldade em refinar uma soluo que est prxima do timo
global. Alm disso, o desempenho de um algoritmo gentico fortemente influenciado pelos
seus parmetros de controle e, s vezes, o custo computacional pode se tornar elevado,
principalmente quando se utiliza variveis de deciso codificadas em grandes cromossomos, o
que exige a anlise de populaes com muitos indivduos.
Escolher adequadamente a funo de aptido para os indivduos, pois nem sempre essa
aptido pode ser tomada como o prprio valor da funo-objetivo, e controlar a presso de
seleo do algoritmo gentico, evitando a perda de diversidade ao longo das geraes, o que
pode causar a convergncia prematura, tambm so precaues a serem tomadas quando da
utilizao dos algoritmos genticos em um problema de otimizao.
Outra ressalva deve ser feita quando se desejar medir o desempenho de um algoritmo
gentico, o qual considerado um mtodo estocstico por combinar mudanas aleatrias com
processos probabilsticos, ou seja, dificilmente repete um resultado de um experimento para

22

outro. Desse modo, o desempenho de um algoritmo gentico deve ser avaliado pelo resultado
mdio de vrias execues do mtodo para um mesmo problema (PACHECO, 1999).

3.2.2.1 Representao das solues


Em um algoritmo gentico, cada soluo alternativa (cromossomo) para o problema
representada atravs de uma cadeia de caractersticas necessrias sua completa definio
que constituem a varivel de deciso do problema (CARRIJO, 2004). Tais caractersticas
podem ser codificadas de vrias formas, dentre as quais, pode-se destacar: a codificao
binria, a representao por inteiros e a representao por nmeros reais.
A representao binria a mais tradicional, sendo de fcil manipulao e utilizao. A
codificao feita em sistema binrio, utilizando os bits de valor zero ou um. Algumas vezes
a varivel de deciso pode ser diretamente representada por uma codificao binria, mas
certos problemas requerem a converso da varivel de deciso em um cromossomo utilizando
a representao binria clssica, que geralmente feito na base dois. Uma varivel de valor
19,

por

exemplo,

possui

cromossomo

representativo

de

10011,

pois:

( 1.24 + 0.23 + 0.22 + 0.21 + 1.20 = 19 ).


A variao da codificao binria para o cdigo Gray (Gray Code) foi introduzida no
algoritmo gentico por Hollstien (1971, apud GOLDBERG, 1989) para tentar melhorar o
desempenho da otimizao, com a singularidade de que variveis de deciso prximas
diferenciam entre si atravs de uma variao mnima de bits, o que se prope a aumentar o
desempenho do algoritmo.
Quando duas variveis de deciso subseqentes so convertidas atravs da codificao

Gray, garantido que apenas um bit ir se modificar entre seus respectivos cromossomos, o
que nem sempre ocorre na codificao binria convencional. Um exemplo da diferena entre
as codificaes binria convencional e Gray pode ser facilmente verificado na Tabela 4, onde
os nmeros inteiros 7 e 8, representados na codificao convencional pelos cromossomos
0111 e 1000, diferem entre si por quatro bits apesar de serem nmeros seqenciais, enquanto
que, na codificao Gray, os respectivos cromossomos desses nmeros (0100 e 1100) diferem
entre si por apenas um bit.

23

Tabela 4 Exemplo de codificaes binria Gray e convencional.


Nmero inteiro
0
1
2
3
4
5
6
7
8
9
10

Cdigo binrio convencional


0000
0001
0010
0011
0100
0101
0110
0111
1000
1001
1010

Cdigo binrio Gray


0000
0001
0011
0010
0110
0111
0101
0100
1100
1101
1111

Apesar da simplicidade, a codificao binria apresenta alguns pontos fracos alvos de


crticas quando o problema requer a converso de nmeros inteiros em cromossomos binrios.
Uma dessas deficincias a necessidade de utilizao de cromossomos longos, quando se
trabalha com valores altos das variveis ou quando se deseja uma preciso alta, visto que cada
ponto decimal no valor decodificado da varivel significa um acrscimo de 3,3 bits no cdigo
binrio. Outro dado relevante que a atuao dos operadores no uniforme, visto que os
primeiros bits do gene so consideravelmente mais significativos do que os ltimos bits. A
representao em inteiros ou reais, por sua vez, caracteriza-se pela utilizao de cromossomos
menores e compreendida mais naturalmente pelo ser humano do que a cadeia de bits
(LACERDA & CARVALHO, 1999).
A utilizao da representao em inteiros ou em nmeros reais requer a utilizao de
operadores genticos especficos, uma vez que estes passaro a atuar sobre o parmetro como
um todo, e no apenas em uma parte deles, como feito na troca de bits. No entanto, existe
certa facilidade em se criar esses operadores os quais so geralmente aritmticos. Os diversos
operadores so ponderados para se determinar quantos filhos cada um vai produzir, e a
mutao atua como um operador independente, gerando seus prprios filhos, porm com uma
porcentagem muito baixa de descendentes com relao ao restante da populao.

3.2.2.2 Populao inicial e substituio das populaes


A populao inicial em um processo de otimizao utilizando algoritmos genticos pode
ser gerada de vrias maneiras. A gerao aleatria a mais tradicionalmente utilizada, mas
outros tipos de geraes podem ser empregadas com o propsito de diversificar a populao

24

inicial e representar pontos em todo o espao de busca. Uma das formas alternativas para
gerao da populao inicial consiste em gerar metade dos indivduos de forma aleatria e
compor a outra metade pela inverso dos bits dos cromossomos gerados aleatoriamente. A
gerao uniforme tambm pode ser utilizada, criando pontos igualmente espaados no espao
de busca.
Independente do tipo de gerao da populao inicial, algumas tcnicas podem ser
utilizadas para melhorar a representao do espao de busca, como a gerao de uma
populao inicial maior do que as populaes das prximas geraes ou a insero de boas
solues na populao inicial, tcnica denominada de seeding.
Os algoritmos genticos tambm podem ser classificados de acordo com a evoluo do
processo iterativo na produo das populaes subseqentes, em Substituio geracional e

Steady-State. Na primeira, os indivduos filhos so criados em nmero suficiente para


substituir toda a populao anterior, ou seja, so criados N filhos para substituir N pais.
Algumas variaes podem ser aplicadas na substituio geracional, como selecionar para a
populao atual os N melhores indivduos da unio dos indivduos filhos com os indivduos
pais, ou a utilizao do elitismo, um processo que consiste na transferncia sem alterao dos
melhores cromossomos, em um nmero pr-determinado, de uma gerao para outra. O
principal objetivo do elitismo evitar a perda de uma soluo tima j encontrada, bem como
garantir a preservao da carga gentica benfica na populao e tornar a convergncia mais
rpida.
Na substituio Steady-State, poucos membros da populao so substitudos em cada
iterao, uma vez que um nmero reduzido de filhos gerado (geralmente um ou dois) para
substituir os piores pais. Alternativamente, os filhos gerados podem substituir, ao invs dos
piores pais, os seus prprios pais ou os cromossomos pais mais velhos. A substituio Steady-

State permite poucas variaes dos indivduos entre as geraes, portanto, pode tornar a
convergncia mais lenta devido a pouca explorao do espao de busca em cada ciclo.

3.2.2.3 Funo-objetivo e aptido


A funo-objetivo relaciona o cdigo representativo de uma soluo com a qualidade
dessa soluo para o problema em anlise. A aptido o critrio fornecido pela funoobjetivo que permite avaliar e ordenar as solues para seu uso posterior pelos operadores de
seleo e reproduo. De um modo geral pode-se considerar o valor da funo-objetivo como

25

a aptido da soluo, mas nem sempre essa simplificao adequada, pois muitas vezes a
funo-objetivo fornece valores negativos (no aplicvel em alguns mtodos de seleo),
valores muito prximos (o que pode tornar a seleo para reproduo muito aleatria) ou
valores de grandezas altamente diversificadas (o que pode causar a convergncia prematura
da otimizao).
Nesses casos, e quando o mtodo de seleo associar a probabilidade de seleo do
indivduo sua aptido, recomendvel realizar o mapeamento da funo-objetivo,
convertendo-a em valores de aptido mais facilmente trabalhveis. O mtodo do ordenamento
linear (BAKER, 1987, apud LACERDA & CARVALHO, 1999) uma metodologia utilizvel
para essa prtica, na qual a aptido dada pela Equao 1.

Fl = Min + ( Max Min)

ql
q 1

Equao 1

onde:
l o ndice do cromossomo na populao em ordem decrescente de valor da funo-objetivo;
Max e Min so constantes definidas pelo usurio;

q o nmero de indivduos da populao.

Normalmente so utilizados valores de Max e Min que atendam s relaes:


1 Max 2 e Max + Min = 2 . Pois, dessa forma, a aptido passa a representar o nmero de

filhos esperados do cromossomo e o valor (Max Min ) a representar a presso de seleo do


algoritmo, dada pela razo entre a maior aptido e a aptido mdia dos indivduos da
populao (LACERDA & CARVALHO, 1999).

3.2.2.4 Operador de seleo


O processo de seleo ocorre aps a avaliao da funo-objetivo e o clculo das
aptides das solues, e atua selecionando cromossomos da populao de pais e alocando-os
em uma populao intermediria (mating pool), geralmente de dimenso inferior populao
do algoritmo, de onde sero extrados os pares de cromossomos para a reproduo.
Os mtodos de seleo podem ser diferenciados entre si atravs da sua presso de
seleo, que a relao entre a probabilidade do melhor indivduo ser selecionado e a

26

probabilidade mdia de seleo dos indivduos, e pela sua perda de diversidade, que a
proporo de indivduos de uma populao que no so selecionados durante esse processo.
De um modo geral, mtodos com uma presso de seleo muito alta podem ocasionar a perda
de diversidade, por dificultar a reproduo de indivduos de baixa aptido. A perda de
diversidade, por sua vez, pode induzir a uma convergncia prematura, pois o algoritmo ter
dificuldade de sair de um timo local por no conseguir percorrer suficientemente o espao de
busca. Desse modo, um bom mtodo de seleo deve possibilitar que cromossomos pais com
melhores aptides tenham maiores chances de serem selecionados, objetivando gerar
descendentes mais aptos, sem, contudo, bloquear a seleo dos menos aptos.
A Roda da Roleta o operador de seleo proposto originalmente por Holland e
consiste basicamente em atribuir uma probabilidade de seleo para cada cromossomo
proporcional sua aptido. Cada indivduo disposto em uma roleta dividida em fatias que
representam, cada uma, a sua probabilidade de seleo. Em cada giro da roleta, o ponteiro
indica o indivduo a ser selecionado, logo, sendo necessrios N giros para compor uma
populao intermediria de N indivduos.
Baker (1987, apud LACERDA & CARVALHO, 1999) tentou solucionar o problema da
grande variao do nmero esperado de filhos entre os indivduos pais, que geralmente ocorre
no mtodo da Roda da Roleta, e props o mtodo da Amostragem Estocstica Universal ou
mtodo SUS (Stochastic Universal Sampling). Por esse mtodo, ao invs de um nico
ponteiro, a roleta possui N ponteiros igualmente espaados, e a seleo realizada atravs de
um nico giro da roleta, permitindo, portanto, que indivduos menos aptos sejam
selecionados.
A Figura 6 mostra um exemplo da aplicao do mtodo SUS em que o nmero de
seleo de um mesmo indivduo limitado e permitida a seleo do indivduo E, menos
apto. Diferentemente do mtodo da Roda da Roleta, em que, caso fosse aplicado na mesma
populao, com um nico ponteiro e cinco giros, o indivduo A teria grandes chances de ser
selecionado vrias vezes.

27

A
B

Figura 6 Esquema do mtodo de seleo SUS.

Outro mtodo de seleo o Torneio, em que um nmero pr-determinado de


cromossomos pais (geralmente 2 ou 3) escolhido aleatoriamente com probabilidades iguais,
e estes cromossomos so comparados entre si e aquele que tiver melhor aptido ser
selecionado para a populao intermediria. Desse modo, o nmero de torneios ser igual ao
nmero de indivduos desejados para a populao intermediria. Segundo Carter (2002), esse
tipo de seleo possui a vantagem de possuir implementao extremamente simples, eficiente
e flexvel quanto s presses de seleo aplicadas. Lacerda e Carvalho (1999) destacam ainda
que a utilizao desse mtodo no requer o ordenamento da populao e nem o
escalonamento da aptido e Goldberg e Deb (1991) consideraram-no um dos mtodos que
requer menor tempo computacional e facilmente paralelizvel.

3.2.2.5 Operadores de reproduo

Operador de recombinao para codificao binria


Recombinao, cruzamento ou crossover a operao aplicada a um par de
cromossomos retirados aleatoriamente da populao intermediria com o objetivo de gerar
cromossomos filhos oriundos da recombinao dos pais. O operador tradicional de
recombinao denominado, de cruzamento de um ponto, realizado atravs da simples
permuta dos cromossomos, ou seja, cada uma das cadeias de bits dos cromossomos pais so
cortados em uma posio aleatria originando duas cabeas e duas caudas. A troca das caudas
dos cromossomos pais caracteriza a criao dos cromossomos filhos, como esquematizado na

28

Figura 7. Para cada operao de cruzamento, gerado um nmero aleatrio entre 0 e 1 e caso
o nmero seja inferior probabilidade de cruzamento (Pc) previamente definida, a operao
efetivada; caso contrrio, o par de pais selecionado ser copiado para a nova populao.

Pai 1

Pai 2

Filho 1

Filho 2

Ponto de corte

Figura 7 Esquema do operador de cruzamento de um ponto.

Outras formas diferentes da tradicional podem ser utilizadas para realizar a


recombinao. Mais de um ponto de corte podem ser escolhidos caracterizando a operao de
cruzamento de mltiplos pontos. No cruzamento de dois pontos, por exemplo, os caracteres
entre duas posies escolhidas aleatoriamente so trocados.
O cruzamento uniforme apresenta a particularidade de atuar nos genes individuais dos
cromossomos, ao invs de atuar em conjuntos de bits. Consiste em gerar uma mscara de bits
para o par de pais selecionado, e copiar para o primeiro filho os bits do primeiro pai de todas
as posies em que a mscara de bit for 1, e os bits do segundo pai de todas as posies em
que a mscara de bits for 0 (Figura 8). O segundo filho gerado atravs da inverso do
procedimento, ou seja, copia-se os bits do segundo pai nas posies em que a mscara de bits
for 1 e vice-versa.
sabido que o cruzamento de mltiplos pontos, bem como o cruzamento uniforme,
introduz uma variao maior entre os cromossomos pais e filhos, mas, segundo Eshelman et

al. (1989, apud BEASLEY et al., 1993a) o desempenho entre os vrios tipos de cruzamento
pouco varivel.

29

Mscara de bits

Pai 1

Pai 2

Filho 1

Figura 8 Esquema do operador de cruzamento uniforme.

Mutao para codificao binria


Mutao o operador que possibilita a introduo de caractersticas genticas novas s
solues existentes, atravs da ocasional inverso dos bits dos indivduos (Figura 9).
aplicada aps o operador de cruzamento com o objetivo de explorar novas regies do espao
de busca e prevenir a perda de diversidade. A mutao mais tradicionalmente utilizada
consiste em gerar um nmero aleatrio entre zero e um, para cada bit do cromossomo
avaliado, e inverter os valores dos bits cujos nmeros gerados forem inferiores
probabilidade de mutao definida Pm.

Pontos de mutao

Antes

Depois

Figura 9 Esquema do operador de mutao.

3.2.2.6 Convergncia do algoritmo


Aps a aplicao dos operadores genticos, uma nova populao gerada e o ciclo se
repete iterativamente at que um critrio de parada seja satisfeito. Alguns critrios comumente
utilizados para indicar a convergncia do algoritmo gentico so: 1) quando um nmero prdeterminado de geraes for atingido; 2) quando a maioria dos cromossomos da populao

30

corrente idntica ou apresenta variao desprezvel; 3) quando no ocorrer melhoras


significativas no melhor cromossomo em um determinado nmero de geraes consecutivas;
4) quando se atingir um determinado valor da funo-objetivo, previamente definido; e 5)
quando se atingir um determinado tempo de otimizao, tambm previamente definido.
Alguns problemas podem surgir durante a otimizao por algoritmos genticos e que
influenciam a convergncia do algoritmo, dentre eles, os mais significantes so a
convergncia prematura e a convergncia lenta. A convergncia prematura pode ocorrer
devido ao surgimento de super-indivduos na populao, os quais geram um nmero
excessivo de filhos, dominando toda a populao. Como alternativas para minimizar esse
efeito, recomenda-se limitar o nmero de filhos por indivduo, evitar que filhos duplicados
sejam inseridos na populao, ou aumentar a probabilidade de mutao.
A convergncia lenta ocorre geralmente quando os valores de aptido so pouco
variveis entre os indivduos da populao, tornando o algoritmo predominantemente
aleatrio. Para evitar esse problema, recomenda-se expandir o intervalo de aptido atravs do
ordenamento ou mapeamento da funo-objetivo.

3.2.2.7 Parmetros de controle


Um dos desafios para a utilizao do algoritmo gentico a adequada escolha dos seus
parmetros de controle. Um algoritmo gentico tradicional requer, no mnimo, a definio dos
seguintes parmetros: Probabilidade de cruzamento Pc, Probabilidade de Mutao Pm e a
dimenso da populao. Os parmetros de controle afetam significativamente o desempenho
do algoritmo gentico. Barcellos (2000), por exemplo, testou o desempenho de um AG para
vrias probabilidades de mutao em um problema de obteno de razes e do caixeiro
viajante1 e obteve variaes em torno de 200% no desempenho.
O trabalho de de Jong (1975, apud EIBEN et al., 1999) foi um dos pioneiros no estudo
dos melhores parmetros de controle para um algoritmo gentico. Utilizando-se cinco funes
de teste para comparao do desempenho de um AG tradicional com cruzamento de um ponto
e com mutao bit a bit, seus resultados sugeriram um tamanho de populao de 50
indivduos, uma probabilidade de cruzamento de 0,60 e uma probabilidade de mutao de
0,001. Grenfestette (1986, apud EIBEN et al., 1999) utilizou o Meta-Algoritmo Gentico, que
1

O problema do caixeiro viajante consiste em, dado uma lista de cidades a serem visitadas, determinar o
caminho mais curto que o vendedor deve seguir, comeando em uma cidade e terminando na mesma cidade.

31

um algoritmo gentico especialmente desenvolvido para otimizar os parmetros de controle


de um outro AG, e sugeriu os seguintes parmetros: Pm = 0,01, Pc = 0,95 e populao de 30
indivduos. Ambos os trabalhos citados recomendam o uso do elitismo e uma substituio
geracional de 100%. Schaffer et al. (1989, apud EIBEN et al., 1999) realizaram extenso
trabalho sobre parmetros de algoritmos genticos e recomendam a utilizao de Pc entre 0,75
e 0,95; de Pm entre 0,005 e 0,01 e uma populao com dimenso entre 20 e 30 indivduos.
Alguns autores recomendam a variao dos parmetros de controle em funo da
dimenso do cromossomo. Os estudos tericos clssicos realizados por Goldberg (1989)
sugerem uma equao em que o tamanho da populao cresce exponencialmente com a
quantidade de bits do cromossomo ( Pop = 1,65.2(0, 21.bits ) ), o que freqentemente resulta em
populaes com grandes dimenses e um alto custo computacional requerido. No entanto,
Alander (1992), atravs de estudos empricos, encontrou bons resultados em otimizaes de
problemas complexos com populaes com dimenses entre uma e duas vezes o nmero de
bits do cromossomo.
Uma vez definida a dimenso da populao e do cromossomo, a probabilidade de
mutao pode ser limitada, segundo Goldberg e Koza (1990, apud SIMPSON et al., 1994), no
mnimo igual ao inverso do nmero de indivduos da populao e, no mximo, igual ao
inverso do nmero de bits do cromossomo.

3.2.3 Algoritmos Evolucionrios para Otimizao Multi-objetivo

3.2.3.1 Breve Histrico


Os algoritmos evolucionrios so muito populares para otimizao de um nico
objetivo, e, devido s inmeras vantagens oferecidas, recentemente tm sido desenvolvidos
algoritmos evolucionrios especficos para a otimizao de mltiplos objetivos. Os primeiros
mtodos desenvolvidos para essa finalidade no consideravam o conceito de dominncia de
Pareto e forneciam uma nica soluo, ao invs de um conjunto de solues de compromisso.
Um dos pioneiros no desenvolvimento de um algoritmo evolucionrio multi-objetivo
(Multi-objective evolutionary algorithm MOEA) foi Schaffer (1984), que desenvolveu o
VEGA - Vector evaluated genetic algorithm; logo em seguida, Kursave (1990) apresentou o

32

VOES - Vector optimized evolution strategy e, j na dcada de 1990, Hajela e Lin (1992)
utilizaram um mtodo que aplicava pesos variveis s funes-objetivo, denominado de
WBGA - Weighted based genetic algorithm (DEB, 2001).
O VEGA uma extenso do algoritmo gentico tradicional proposto por Holland,
diferindo apenas no modo como o operador de seleo implementado, sendo a simplicidade
uma de suas principais vantagens. Utiliza sub-populaes para otimizar cada objetivo
separadamente, sendo que cada soluo avaliada por uma nica funo-objetivo. O operador
de cruzamento designado para combinar as melhores solues individuais na tentativa de
encontrar solues prximas da regio tima de Pareto, mas nem sempre isso ocorre e,
eventualmente, o mtodo converge para a melhor soluo individual de um dos objetivos.
O VOES possui um mecanismo para reter as solues no-dominadas e um mecanismo
para excluir as solues excedentes, as quais so escolhidas principalmente considerando o
critrio de proximidade entre as solues. Devido necessidade de se utilizar cromossomos
diplides, contendo um cromossomo dominante e um recessivo, o VOES foi pouco utilizado
entre os pesquisadores, de modo que sua eficincia em problemas complexos no foi avaliada.
O WBGA possui como vantagem a sua simplicidade mas, como em outros mtodos baseados
em pesos, pode no encontrar solues timas em espaos de busca no-convexos, alm de
requerer a converso de problemas de minimizao para maximizao e apresentar
dificuldades ao construir uma funo de aptido para problemas de minimizao e
maximizao simultneos.
A utilizao dos conceitos de Pareto na otimizao multi-objetivo foi sugerida
inicialmente por Goldberg (1989), que recomendava utilizar um procedimento de
ranqueamento dos indivduos com base na informao de dominncia. Cada indivduo nodominado deveria ser removido da populao e receber um ranking 1; dos que restavam, os
novos indivduos no-dominados recebiam ranking 2 e tambm eram removidos. Este
processo se sucedia at que todos os indivduos recebessem seu ranking, o qual serviria de
base para o operador de seleo, que atribui uma probabilidade de seleo tanto maior quanto
menor o valor do ranking. Goldberg ressaltou ainda a necessidade de utilizar algum
mecanismo de compartilhamento da aptido (fitness sharing) para manter uma diversidade
apropriada nas solues.
Apesar de no ter desenvolvido propriamente um MOEA, na dcada de 1990, muitos
autores utilizaram as idias de Goldberg no desenvolvimento de novos mtodos
evolucionrios para o problema da otimizao multi-objetivo, o que caracteriza uma gerao

33

denominada por alguns autores (ZITZLER, 2001) de algoritmos evolucionrios multi-objetivo


clssicos e, por outros (DEB, 2001), de algoritmos evolucionrios multi-objetivo no-elitistas.
Os MOEAs clssicos foram desenvolvidos na dcada de 1990 e apresentam como
caractersticas em comum a nfase na simplicidade, a considerao dos conceitos de nodominncia de Pareto, a introduo de alguns mecanismos de compartilhamento da aptido e
a no utilizao de qualquer forma de elitismo nas suas geraes.
O Multiple objective genetic algorithm MOGA (FONSECA & FLEMING, 1993) foi
um dos primeiros mtodos dessa gerao, e baseia-se nos conceitos introduzidos por
Goldberg. Nesta concepo, atribudo um ranking a todos os indivduos correspondente ao
nmero de indivduos que o dominam, acrescido de um. Dessa forma, todos os indivduos
no-dominados possuem ranking mnimo de 1, cujo valor mximo do ranking de um
indivduo igual ao tamanho da populao. Depois de ordenada a populao, uma aptido
preliminar (raw fitness) atribuda utilizando uma funo linear para mapear a funoobjetivo. Com o objetivo de manter a diversidade das solues, para cada nicho formado por
um valor do ranking, calculado o valor mdio da aptido das solues que o compem. Os
demais operadores so semelhantes aos utilizados em um algoritmo gentico simples, com
seleo pelo mtodo SUS, cruzamento de 1 ponto e mutao bit a bit.
O MOGA mostra-se falho ao no considerar que todas as solues de uma fronteira
no-dominada tenham a mesma aptido e, por isso, no garante que a soluo de ordenamento
menor seja sempre pior do que uma soluo de ordenamento maior. Alm disso, devido alta
presso de seleo pode causar convergncia prematura (DEB, 2001).
O Non-dominated sorting genetic algorithm NSGA (SRINIVAS & DEB) similar ao
MOGA diferindo na maneira como classifica os vetores soluo, pois, nesse mtodo as
solues so subdivididas em classes, e todas as solues no-dominadas de uma mesma
classe recebem a mesma aptido. O operador de seleo por ordenamento, em conjunto com
um procedimento voltado para a criao de nichos, garante a diversidade da populao.
Horn et al. (1994) propuseram o Niched-Pareto genetic algorithm (NPGA), que difere
dos mtodos anteriores devido no necessidade de calcular um valor de aptido que priorize
solues no-dominadas, pois o conceito de dominncia introduzido no operador de seleo,
denominado de Torneio de Pareto. Dois indivduos so escolhidos aleatoriamente e
comparados com um sub-conjunto da populao (geralmente 10% do conjunto total): se por
um lado um dos indivduos selecionados dominarem o sub-conjunto e o outro no, o
indivduo no-dominado o campeo do torneio; por outro, se ambos os indivduos

34

selecionados forem dominados ou no-dominados pelo sub-conjunto, utiliza-se um contador


de nicho para escolher a soluo vencedora. A vantagem do NPGA a no necessidade de
utilizar um clculo explcito para a funo de aptido e a complexidade no ser proporcional
ao nmero de objetivos. A desvantagem a introduo de novos parmetros a serem
configurados e a influncia desses parmetros nas solues encontradas.
Segundo Coello (2006), durante a primeira gerao de MOEAs, diversos autores
compararam o desempenho entre os mtodos, sendo demonstrada a superioridade do mtodo
MOGA, seguido pelo NPGA e, em terceiro lugar o NSGA, que so os principais
representantes dessa gerao. Ainda segundo o autor, o principal ganho obtido nessa poca foi
o reconhecimento de que o sucesso de um MOEA depende da combinao de dois fatores: de
um bom mecanismo de seleo dos indivduos no-dominados, baseados no conceito de timo
de Pareto, e da utilizao de um bom mecanismo para manter a diversidade das solues.
A segunda gerao de MOEAs encontrou como desafio tornar os algoritmos mais
eficientes sem perder o desempenho j conseguido com os mtodos anteriores. Os mtodos
dessa gerao possuem como caractersticas comuns a nfase na eficincia e a utilizao de
alguma tcnica elitista.
Apesar de outros autores terem introduzido anteriormente o conceito do elitismo em
MOEAs, como por exemplo, Osyczka e Kundu (1995, apud DEB, 2001) com o Distance

based Pareto genetic algorithm DPGA, a literatura de um modo geral destaca o trabalho de
Zitzler e Thiele (1998) como um dos pioneiros da segunda gerao, sendo o mtodo
desenvolvido por eles, o Strentgh Pareto evolutionary algorithm SPEA, considerado um dos
mais representativos dessa gerao.
O SPEA une potencialidades de diversos algoritmos em um nico e caracterizado pela
manuteno de uma populao externa que armazena as solues no-dominadas encontradas.
A cada gerao, novas solues so comparadas com as existentes na populao externa e o
conjunto de solues no-dominadas so preservadas. Essa populao de elite utilizada para
avaliar a aptido dos indivduos baseada no critrio de dominncia de Pareto, e participa,
junto com a populao corrente, das operaes genticas.
A aptido no SPEA similar ao procedimento de ranqueamento utilizado no MOGA,
baseada no nmero de solues no-dominadas, e determinada entre as populaes externa e
corrente, dessa forma, compartilhando uma desvantagem com o MOGA, no qual o valor da
aptido no garante que todas as solues no-dominadas sejam ranqueadas igualmente. A

35

diversidade das solues no SPEA considerada quando a populao externa atinge a


dimenso mxima, e aplicado um algoritmo de agrupamento (Clustering method) para
eliminar as solues excedentes dessa populao sem destruir as caractersticas de diversidade
da fronteira. Uma vantagem do SPEA a de que o mtodo no requer a introduo de
qualquer parmetro de distncia, no entanto introduz um parmetro extra, o tamanho da
populao externa, cuja dimenso influencia o desempenho do mtodo.
Zitzler et al. (2000) compararam o desempenho de oito mtodos aplicados a seis
funes de testes. Foram utilizados, nessa anlise, seis MOEAs conhecidos na poca: os
pioneiros, VEGA e WBGA (denominado pelos autores de FFGA Fonseca and Flemmings

multi-objective GA); alguns representantes da primeira gerao, MOGA (denominado pelos


autores de HLGA Hajela and Lins genetic algorithm), NPGA e NSGA; e o SPEA; nico
representante da segunda gerao. Acrescentaram, ainda, anlise uma estratgia de busca
randmica, denominada de RAND e um algoritmo gentico que agrega as funes em um
nico objetivo, denominado de Single-objective evolutionary algorithm SOEA.
Os resultados mostraram a superioridade do desempenho do SPEA em relao aos
demais mtodos em todas as funes de teste, mostrando ainda que: 1) qualquer MOEA
melhor do que o procedimento de busca randmica; 2) os mtodos MOGA, NPGA e WBGA,
assim como o RAND, tm dificuldades em manter uma diversidade das solues encontradas;
e 3) entre os mtodos no-elitistas, o NSGA apresentou o melhor desempenho. Em uma nova
bateria de experimentos, os autores inseriram o mecanismo de elitismo utilizado no SPEA nos
mtodos VEGA, WBGA, NPGA, MOGA e NSGA, e observaram que a introduo do
elitismo melhora significativamente o desempenho dos mtodos, e que o mtodo NSGA, na
verso elitista, possui desempenho equivalente ao SPEA. Esse fato representa um marco entre
a primeira e a segunda gerao de mtodos evolucionrios multi-objetivo, a partir do qual
foram desenvolvidos outros mtodos elitistas.
A maioria dos mtodos da segunda gerao introduz o elitismo atravs de uma
populao externa, tambm chamada de arquivo de elite, que retm as solues nodominadas j encontradas, como o Pareto archives evolution strategy PAES (KNOWLES &
CORNE, 2000) e o Pareto envelope-based selection algorithm PESA (CORNE et al.,
2000). O PAES utiliza um grid adaptativo para manter a diversidade das solues e o PESA
utiliza um mecanismo de seleo baseado numa medida de agrupamento que decide quais
solues sero introduzidas na populao externa. No entanto, alguns autores introduziram o

36

elitismo de outra forma na evoluo sendo o principal representante dessa categoria o Elitist

non-dominated sorting genetic algorithm NSGA-II (DEB et al., 2002).


O NSGA-II uma verso melhorada do mtodo NSGA, o qual se torna mais eficiente
que seu antecessor principalmente devido introduo do elitismo, que no permite apagar
uma soluo tima de Pareto j encontrada; e, utilizao de um procedimento de
comparao utilizado na seleo por torneio e durante a fase de reduo da populao, que
garante a diversidade entre as solues no-dominadas.
Deb et al. (2002) compararam o desempenho do NSGA-II com o SPEA e o PAES para
nove problemas de testes da literatura. Os resultados experimentais mostram que o NSGA-II
converge melhor em sete das nove funes testadas, sendo que, nas outras duas, o PAES
obteve os melhores resultados. No critrio de diversidade o NSGA-II obteve um desempenho
melhor nas noves funes de teste, sendo o pior desempenho atribudo ao PAES.
Em 2001, Zitzler e outros autores apresentaram o Strentgh Pareto Evolutionary

Algorithm 2 SPEA2 (ZITZLER et al., 2001), que foi desenvolvido para tentar eliminar as
restries existentes no mtodo antecessor e melhorar a eficincia do algoritmo. As trs
diferenas principais do SPEA2 para o SPEA so: 1) uma estratgia de atribuio da aptido
que considera para cada indivduo, tanto o nmero de solues que o dominam quanto o
nmero de solues dominadas por ele; 2) a utilizao de uma tcnica de estimativa da
densidade da vizinhana incorporada aptido dos indivduos permitindo uma guia mais
precisa no espao de busca; e 3) a substituio do algoritmo de agrupamento por um mtodo
alternativo de truncamento, o qual possui caractersticas semelhantes, mas preserva as
solues extremas.
O desempenho do SPEA-II foi comparado com o do seu antecessor, SPEA, e com mais
dois mtodos da segunda gerao, PESA e NSGA-II em cinco funes de testes
freqentemente utilizadas na literatura (ZITZLER et al., op. cit). Os autores concluram que:
1) em todas as funes de testes, o SPEA2 foi superior ao SPEA; 2) o PESA apresentou uma
rpida convergncia, provavelmente devido alta intensidade do elitismo, mas falhou para
algumas funes de teste por no manter as solues da fronteira; 3) o SPEA2 e o NSGA-II
mostraram os melhores desempenhos; e 4) quando o nmero de funes-objetivo aumentou, o
SPEA2 apresentou algumas vantagens sobre o PESA e o NSGA-II.
Uma vez convencidos da eficcia dos MOEAs, ou seja, da sua capacidade de encontrar
solues timas, os pesquisadores tm concentrado esforos no aumento da sua eficincia, ou

37

seja, na rapidez com que encontra essas solues (VELDHUIZEN et al., 2003). Segundo
Lcken et al. (2004), apesar de os MOEAs terem demonstrado eficcia em espaos de busca
complexos, encontrando boa aproximao da fronteira Pareto em problemas multi-objetivo,
os mesmos no garantem que o timo global seja encontrado em uma nica execuo, logo,
para obter um bom conjunto de solues, o usual realizar vrias execues de um dado
MOEA e combinar seus resultados. Esse contexto naturalmente conduz paralelizao dos
MOEAs, que contribuir para a expanso do nmero de indivduos analisados no espao de
busca e possivelmente aumentar a velocidade de convergncia dos algoritmos para a
fronteira Pareto em menos execues.
De acordo com Veldhuizen et al. (2003), a paralelizao de um MOEA (Parallel multi-

objective evolutionary algorithm pMOEA) no uma tarefa simples, pois envolve a anlise
de vrios paradigmas de paralelizao, a associao de parmetros e a utilizao de novos
conceitos, como migrao, substituio e esquemas de agrupamento. No trabalho citado, os
autores conduzem a uma ampla discusso do estado da arte da paralelizao de MOEAs, com
definio das notaes especficas, e discusso dos paradigmas e processos necessrios para
criar um pMOEA eficaz e eficiente.
Nessa conjuntura, Xiong e Li (2003) apresentam o Parallel strength Pareto multi-

objective evolutionary algorithm (PSPMEA), o qual se baseia no SPEA2 e utiliza subpopulaes que evoluem separadamente, com diferentes probabilidades de cruzamento e
mutao, mas que permutam seus indivduos em uma estratgia elitista. Em adio aos
parmetros e processos usuais do SPEA2, o PSPMEA utiliza o operador de migrao,
caracterizado por uma freqncia de migrao e pela quantidade de indivduos migrados entre
as populaes. O desempenho entre esses dois mtodos foi comparado para as mesmas
funes de testes utilizadas em Zitzler et al. (2000) e, a anlise concluiu que a presena do
elitismo em sub-populaes torna a eficincia do PSPMEA melhor do que a do SPEA2, o que
permite reduzir o seu tempo de execuo.

3.2.3.2 Mtricas de desempenho


Comparar o desempenho entre mtodos evolucionrios multi-objetivo no to simples
como em uma otimizao de um nico objetivo, que compara unicamente o valor da funoobjetivo considerada. Essa complexidade, associada ao surgimento de inmeros mtodos em

38

um curto espao de tempo, levou os pesquisadores a buscarem meios de comparar os


diferentes mtodos e testar a qualidade entre eles.
As duas principais metas que se deseja atingir em um MOEA so (DEB, 2001)
encontrar solues to prximas quanto possvel da fronteira Pareto, e que essas solues
sejam to diversas quanto possvel. Zitzler et al. (2000) apresentam essas metas da seguinte
maneira: 1) maximizar o nmero de solues da fronteira Pareto encontradas; 2) minimizar a
distncia da fronteira de solues no-dominadas encontrada para a fronteira Pareto; e 3)
maximizar a diversidade das solues encontradas.
Algumas mtricas utilizadas para avaliar o desempenho entre os MOEAs podem ser
classificadas como Mtricas de convergncia que avaliam quo prximo as solues
encontradas esto da fronteira Pareto. Essas mtricas requerem o conhecimento prvio da
fronteira Pareto, o que nem sempre possvel para aplicaes em problemas reais. As
mtricas da taxa de erro e da distncia geracional sugeridas por Veldhuizen (1999) so
exemplos desse tipo de mtrica.
Para avaliar a diversidade entre as solues do conjunto no-dominado encontrado,
foram desenvolvidas algumas mtricas de diversidade, como a mtrica de espaamento,
sugerida por Schott (1995, apud DEB, 2001), e as mtricas de nmero de nichos e
espalhamento mximo de Zitzler et al. (2000).
Coello (2006) relata que muitos pesquisadores criticam as mtricas de desempenho que
avaliam individualmente cada mtodo, ou cada execuo de um mtodo. Alguns
pesquisadores, inclusive, se depararam com diferenas de desempenho entre os resultados
quando comparados graficamente e numericamente com algumas mtricas. Recentemente
estas mtricas so consideradas, por alguns autores, como no confiveis (ZITZLER et al.,
2002).
Desse modo, esto surgindo novas medidas de desempenho, as quais so aplicadas no
a apenas um algoritmo de cada vez, mas a dois, da serem denominadas de mtricas de
desempenho binrias. A mtrica de cobertura de Zitzler et al. (2000), que calcula a proporo
de solues de um conjunto no-dominado (dado por uma metodologia), fracamente
dominada por outro conjunto (dado por outra metodologia), um exemplo desse tipo de
mtrica.
No entanto, as mtricas binrias possuem como desvantagens o fato de calcular r(r-1)
indicadores distintos quando se realiza a anlise de r algoritmos diferentes, em contraste dos r

39

indicadores no caso das mtricas convencionais. Outras caractersticas e limitaes dos


diferentes tipos de mtricas de desempenho encontradas na literatura podem ser consultadas
no trabalho de Zitzler et al. (2002).

3.2.3.3 Considerao das restries


Os mtodos evolucionrios multi-objetivo como originalmente concebidos assumem
que o problema de otimizao est livre de qualquer restrio, no entanto, a otimizao de
problemas reais envolve uma srie de restries que precisam ser atendidas para que a soluo
seja considerada aceitvel. As restries dividem o espao de busca em duas regies, de
solues factveis e de solues infactveis, sendo que a fronteira Pareto definida apenas
considerando a regio factvel (DEB, 2001).
A estratgia mais popular para considerar as restries utilizando funes de
penalidades das restries. Essas funes so proporcionais s restries violadas e devem ser
adicionadas a cada valor de funo-objetivo, em problemas de minimizao, ou subtradas,
em problemas de maximizao (MICHALEWICZ & FOGEL, 2002).
Uma funo de penalidade comumente utilizada (DEB, 2001) consiste em calcular as
restries violadas, normalizar e somar seus valores, multiplicar por um parmetro de
penalidade para s ento ser adicionado a cada valor de funo-objetivo, sendo que as
solues que no violam quaisquer solues retornam funo de penalidade de valor zero.
Uma precauo que deve ser observada ao utilizar essa estratgia converter todas as
funes-objetivo de maximizao para minimizao, e um inconveniente da sua utilizao a
necessidade de representar todas as restries do problema em equaes matemticas.
O meio mais simples de considerar as restries rejeitar qualquer soluo infactvel,
denominada de penalidade de morte. No entanto, na otimizao de problemas reais, o nmero
de solues factveis muito reduzido e o simples descarte das solues infactveis pode
provocar uma perda de eficincia no algoritmo. Isto acontece tanto na iniciao do algoritmo,
que teria dificuldades de gerar aleatoriamente uma populao totalmente preenchida de
solues factveis, quanto durante a evoluo, devido dificuldade de progredir para as
solues que no violam qualquer restrio, principalmente quando estas esto dispersas entre
as solues infactveis (MICHALEWICZ & FOGEL, 2002).

40

Um critrio tambm utilizado para considerar as restries (DEB, 2000, apud DEB,
2001) manter as solues infactveis na populao e atribuir-lhe medidas da infactibilidade
nas quais o mtodo evolucionrio pode se basear, atribuindo uma presso de seleo maior a
solues que violem menos restries (ou com menos severidade) para, da, guiar a busca
para as regies factveis. As solues infactveis tambm podem ser reparadas, atravs de um
procedimento randmico ou de uma estratgia de reparo especfica, com procedimentos
particulares para cada tipo de restrio do problema. Mas, segundo Michalewicz e Fogel
(2002), em alguns problemas, reparar a soluo infactvel pode se tornar to complexo quanto
resolver o problema original.
Por no requerer a definio de novos parmetros, alguns autores vm considerando as
restries nos operadores de seleo por torneio da seguinte forma: entre duas solues
factveis, escolhe-se a de melhor aptido; entre uma soluo factvel e uma infactvel escolhese a factvel, e, entre duas solues infactveis, escolhe-se a que viola menos (ou com menos
severidade) as restries. No contexto multi-objetivo, quando no se dispuser de um valor
explcito de aptido, o critrio de escolha entre duas solues factveis pode ser baseado em
apenas uma funo-objetivo, baseado nos conceitos de dominncia ou baseado em algum
critrio de diversidade (DEB, 2001).

3.3. Trabalhos Correlatos

3.3.1 Redes de escoamento de petrleo

Vlez-Langs (2005) apresenta um compndio sobre a utilizao de algoritmos


evolucionrios na indstria de petrleo, principalmente dos algoritmos genticos, os quais,
segundo o autor, so uma das mais promissoras metodologias para lidar com problemas
complexos, como os encontrados nesse campo. Dentre as vantagens do algoritmo gentico
citadas pelo autor, esto a sua facilidade de aplicao em problemas de otimizao multiobjetivo, inclusive com objetivos conflitantes, a sua robustez, a sua eficincia e a sua
facilidade de utilizao.
O foco do presente trabalho o problema do escalonamento das bombas (pump

scheduling) em uma rede de escoamento, cuja soluo consiste em determinar, entre as

41

bombas disponveis, quais devero ser ativadas e em que perodos do dia, de modo a atender
s restries operacionais do sistema, otimizar os mltiplos objetivos e garantir o atendimento
da produo requerida. A otimizao desse tipo de problema em sistemas da produo de
petrleo tem sido pouco explorada pelos pesquisadores, j que grande parte da utilizao do
algoritmo gentico na indstria de petrleo se concentra na caracterizao de reservatrios
subterrneos (BATYRSHIN et al., 2005; BUSH & CARTER, 1996; SOLENG, 1999;
ROMERO & CARTER, 2001), na inverso ssmica (MANSANN & SCHOENAUER, 2002;
BOSCHETTI, 1995) e no desenvolvimento de campos de petrleo (TPAC et al., 2002).
No mbito de transporte e operao das redes de escoamento de petrleo, podem ser
citados os trabalhos de Goldberg (1985), que utiliza o algoritmo gentico para acompanhar a
operao de dutos, e o trabalho de de Almeida et al. (2001), que utiliza um algoritmo gentico
voltado para a programao da produo de uma refinaria de petrleo para minimizar os
custos com energia eltrica.
Especificamente para o problema do escalonamento de bombas, Silva (1999) utilizou o
algoritmo gentico em conjunto com a programao linear para otimizar o transporte de um
campo petrolfero localizado no sul da Argentina at a sua estao de pr-processamento de
petrleo - PPP. O problema foi decomposto em sub-problemas, um para cada intervalo de
tempo, sendo os sub-problemas resolvidos sequencialmente, do primeiro ao ltimo intervalo
de tempo, e a resoluo da cada intervalo ocorrendo em duas etapas. Na primeira etapa
utiliza-se o algoritmo gentico para decidir quais bombas sero ativadas, atravs da
minimizao de uma funo de aptido de carter multi-objetivo, a qual satisfaz o objetivo
principal da operao (minimizar a diferena entre o volume de entrada na PPP e o volume de
entrada pr-estabelecido) e agrega as restries como forma de penalidades. Na segunda
etapa, utilizada a programao linear para determinar em que rotao cada bomba deve
operar de modo que a vazo de alimentao da PPP seja o mais prximo possvel da vazo
desejada.
Um indivduo do algoritmo gentico, na resoluo proposta por Silva (1999),
composto de um vetor de 16 bits, um para cada bomba do sistema, onde o nmero 1 indica
que a bomba est ligada e o nmero 0, desligada, no determinado intervalo de tempo. Desse
modo, o espao de busca do problema composto de 65.536 solues (dado por 216). A
considerao dos intervalos independentes, adotada por Silva (op. cit), permite uma reduo
significativa do espao de busca, mas, por outro lado, em uma operao de 24 horas, por

42

exemplo, a otimizao individual de cada intervalo talvez no fornea uma otimizao global
do horizonte de operao completo.
Brasileiro (2005) props um algoritmo gentico modificado para otimizar o problema
do escalonamento de bombas em uma rede de escoamento de petrleo, considerando como
objetivo principal o custo de energia eltrica por volume bombeado atravs de uma funo de
adaptabilidade ponderada no tempo para minimizar as perdas devido s incertezas na previso
da produo do sistema. Para tratar as restries temporais, inerentes aplicao em tempo
real, a autora utilizou a tcnica de seeding para inserir na populao inicial uma soluo
gerada por um sistema de regras. As restries operacionais foram tratadas utilizando uma
abordagem direta, na qual, para cada tipo da violao da restrio, so atribudas severidades
diferentes, que servem de base no ordenamento dos indivduos para seleo.
O principal diferencial do algoritmo gentico proposto por Brasileiro (op. cit) a
utilizao de operadores genticos inteligentes, os quais baseiam o ponto de cruzamento e de
mutao no intervalo de tempo em que ocorreu a inviabilidade para aumentar as chances de se
gerar indivduos viveis. Um procedimento de descarte de certos indivduos inviveis tambm
foi adotado no mesmo trabalho e o elitismo foi utilizado para que as solues timas
encontradas no fossem perdidas.

3.3.2 Redes de escoamento de gua

Tm sido bastante freqentes pesquisas abordando a otimizao da operao de redes de


escoamento de gua. Os primeiros estudos nesse campo utilizavam principalmente as
programaes linear, no-linear, dinmica, mista e outros tipos de programao, para otimizar
um nico objetivo: o custo com energia eltrica. Segundo Tsutiya (2001), o consumo nas
estaes elevatrias pode representar at 90% do custo total de energia eltrica em sistemas
de abastecimento de gua, portanto, na otimizao da operao desses sistemas,
fundamental um escalonamento inteligente das bombas. O autor apresenta ainda diversas
alternativas para reduo do custo de energia eltrica em sistemas de escoamento. Uma delas
a reduo do custo de energia pela adoo de alternativas operacionais, como, por exemplo,
a diminuio ou interrupo do bombeamento em horrios de pico cujas tarifas de energia so
mais caras.

43

Ormsbee e Lansey (1994) apresentaram uma reviso de vrias metodologias aplicadas


na otimizao do problema do escalonamento de bombas em uma rede de escoamento de
gua, incluindo vrios mtodos constantemente utilizados na poca e baseados em
programao matemtica. Os autores observaram que a maioria dos algoritmos analisados
apenas considerava o custo com energia eltrica consumida, sendo o custo de demanda de
energia eltrica ou ignorado ou adicionado como uma restrio do sistema. Nesse mesmo
trabalho, os autores caracterizaram as restries para problemas de sistemas de escoamento de
gua em trs grupos: 1) limitaes fsicas dos sistemas (capacidade dos reservatrios,
capacidade dos mananciais, configurao das bombas, etc.); 2) leis fsicas (conservao de
massa nos ns da rede, conservao de energia nos anis, etc.); e 3) requisitos externos
(atendimento da demanda, manuteno dos nveis de presso aceitveis, etc.).
Lansey e Awumah (1994) destacaram que a maioria dos pesquisadores enfatiza a
minimizao do custo de energia eltrica das bombas, e ressaltaram a importncia de
considerar no escalonamento timo tambm o nmero de chaveamentos das bombas. Os
autores citados utilizaram programao dinmica na otimizao e consideraram o nmero de
chaveamentos como uma restrio, sendo estabelecido um nmero mximo permitido para
cada perodo e um nmero mximo para todo o horizonte de planejamento.
A aplicao de um algoritmo gentico ao problema de escalonamento de bombas em
uma rede de escoamento de gua foi utilizada por Mackle et al. (1995) e Boulos et al. (2001).
Ambos os trabalhos ressaltaram as deficincias encontradas quando do uso dos mtodos
tradicionais, como por exemplo: 1) dificuldades para otimizar redes de grande porte, com
combinaes de bombas diferentes ou com restries complicadas; 2) facilidades de se
prenderem em timos locais; e 3) alta sujeio a um nmero excessivo de simplificaes para
adequar-se aos modelos matemticos. A caracterstica em comum dos trabalhos citados a
otimizao de um nico objetivo, o custo com energia eltrica, e a considerao das restries
como funes de penalidades. No entanto, vale dizer que o trabalho de Boulos et al. (op. cit)
considera, em adio ao custo com energia consumida, tambm o custo com demanda de
energia, e considera o nmero mximo de chaveamentos como uma restrio a ser atendida.
A considerao do nmero de chaveamentos como um objetivo explcito, e no como
uma restrio, foi adotada por Schwab et al. (1996), que utilizou uma metodologia hbrida
(algoritmo gentico combinado com um mtodo de busca local) com seleo baseada em
ranqueamento dos indivduos considerando os conceitos de dominncia, para minimizar duas
funes-objetivo simultaneamente: o custo com energia eltrica e o nmero de chaveamentos

44

da operao. As restries no seu trabalho foram consideradas como penalidades, em adio


ao custo com energia eltrica, e todas as solues infactveis que eram no-dominadas,
recebiam um ranqueamento maior do que as no-dominadas factveis.
Recentemente, os pesquisadores tm preferido adotar mtodos multi-objetivo para tratar
o problema da operao das redes de escoamento de gua. Carrijo (2004) considerou dois
objetivos simultneos: o de minimizar o custo com energia eltrica (considerando ambos os
custos com consumo e demanda de energia) e o de maximizar os benefcios hidrulicos,
representados pelo atendimento das presses nodais, dos nveis dos reservatrios e das
demandas. O autor investigou a aplicao de trs MOEAs conhecidos: o NSGA, o NSGA-II e
o SPEA, tendo o SPEA mostrado melhor desempenho para o seu problema. No trabalho de
Carrijo, no vetor de solues binrio, alm da representao das bombas do sistema, so
representadas tambm as vlvulas, onde 1 significa aberta e 0 fechada, obtendo, portanto, um
cromossomo com 168 variveis de deciso (3 bombas, 4 vlvulas, 24 horas em intervalos de 1
hora).
Barn et al. (2005) consideraram na otimizao quatro objetivos distintos: o custo com
consumo de energia eltrica, os picos de potncia que refletem no custo de demanda, o
nmero de chaveamentos e a variao do nvel dos reservatrios; e analisou a viabilidade de
seis MOEAs para um problema de escalonamento de 5 bombas em um horizonte de operao
de 24 horas discretizados em intervalos de 1 hora, portanto, com um vetor soluo composto
por 120 bits. Utilizando mtricas de desempenho sugeridas na literatura, os autores
concluram que o mtodo SPEA demonstrou melhor desempenho, sendo o NSGA-II
considerado uma boa alternativa. Os autores incorporaram ainda uma heurstica em um
algoritmo de reparo de solues infactveis que violam as restries de nveis mximos e
mnimos dos tanques.
Em um outro trabalho (Lcken et al., 2004), os mesmos autores incorporam o
paralelismo nos mtodos analisados, atravs de um coletor e de vrios pMOEAs. O coletor
recebe as solues dos pMOEAs e mantm, em um arquivo, apenas as solues nodominadas, aplicando o algoritmo de agrupamento do SPEA, apenas se o nmero de solues
do arquivo ultrapassar a dimenso mxima. Os autores observaram um ganho computacional
nos pMOEAs em relao s suas verses seriais.
Lpez-Ibez et al. (2005) utilizaram o mtodo SPEA2 na otimizao de dois objetivos
em um problema de escalonamento de bombas, o custo com energia eltrica (referente ao
consumo e demanda) e o nmero de chaveamentos, e ressaltaram a importncia da

45

utilizao de um modelo computacional para simulaes hidrulicas em conjunto com o


modelo de otimizao, o que permite adicionar maior complexidade rede. Os autores
consideraram como restries operacionais os limites de nveis dos tanques, as presses nos
ns de demanda e uma tolerncia para o dficit de volume nos tanques no final do perodo da
operao. A inviabilidade das restries foi considerada em conjunto com os conceitos de
Pareto, considerando as seguintes regras: 1) qualquer soluo infactvel dominada por uma
soluo factvel; 2) entre duas solues infactveis, a que tiver violado menos vezes a restrio
de presso dominar a outra; e 3) entre duas solues factveis, a que tiver o menor dficit de
volume dominar a outra, sendo que, em caso de empate, o critrio normal de dominncia
considerado.
No trabalho citado foram conduzidos experimentos com variaes nas populaes
iniciais, gerando uma populao inicial aleatoriamente ou a partir de mutaes de indivduos
especficos, utilizando, nesse segundo caso, um indivduo que mantm todas as bombas
ligadas, um outro que mantm todas as bombas desligadas e um de carter factvel. Os autores
concluram que os melhores resultados foram obtidos com a iniciao da populao
randomicamente ou a partir de mutaes de uma soluo factvel, sendo que a iniciao
randmica permite uma diversidade maior das solues encontradas.
Apesar de utilizarem representao binria, os autores citados alertaram para as
desvantagens desse tipo de representao, a qual requer que a bomba seja ligada ou desligada
em um espao definido de tempo, o que impede que a bomba tenha uma programao mais
refinada, podendo iniciar ou parar em qualquer tempo. Os mesmos autores propuseram em um
trabalho posterior (LPEZ-IBEZ et al., 2005a) o uso de uma representao explcita das
bombas a qual permite que a bomba seja ligada ou desligada em qualquer tempo e restringe o
numero mximo de chaveamentos do sistema.

3.4. Anlise da reviso de literatura

Para o problema do escalonamento de bombas em redes de escoamento de gua,


percebe-se uma evoluo das metodologias aplicadas, partindo desde os mtodos tradicionais,
passando pelos algoritmos evolucionrios de um nico objetivo at a utilizao de MOEAs,
nos quais o SPEA, o SPEA2 e o NSGA-II se destacam como os mais recomendados. Para a

46

considerao das restries, que inicialmente eram formuladas como uma funo de
penalidade, atualmente vem sendo adotadas alternativas, como heursticas de reparo,
ranqueamento baseado na inviabilidade dos indivduos e associao do conceito de Pareto em
conjunto com o conceito de inviabilidade.
Na operao de redes de escoamento de petrleo, no entanto, a natureza multi-objetivo
do problema no vem sendo considerada explicitamente, como o presente trabalho se prope
a realizar. Dessa forma, sero consideradas na determinao da metodologia aplicvel a este
trabalho, tcnicas recomendadas na literatura que se propem a melhorar o desempenho da
otimizao ou tornar a representao mais realista com o mundo real. As tcnicas so as
seguintes: 1) a considerao do problema multi-objetivo explicitamente; 2) a introduo de
solues viveis na gerao inicial da populao para garantir bons resultados; 3) a utilizao
de uma heurstica de reparo e de descarte de solues infactveis; 4) a considerao do
conceito de viabilidade em conjunto com os conceitos de dominncia; 5) a introduo de
conhecimento nos operadores de reproduo; 6) a utilizao de um modelo de simulao em
conjunto com um modelo de otimizao; e 7) a considerao do custo de demanda em
conjunto com o custo do consumo de energia eltrica.

47

4. Metodologia

4.1. Modelo computacional SmartPumping

No presente trabalho o modelo para simulao hidrulica e clculo tarifrio utilizado


parte componente do software SmartPumping2, que um modelo computacional multifuncional em desenvolvimento e cujas funcionalidades mais relevantes so: 1) o mdulo de
simulao, responsvel por estabelecer o equilbrio hidrulico da rede, e capaz de fornecer os
valores de vazo e velocidade em cada duto, a presso em cada n, os nveis dos tanques, as
propriedades do fluido em todos os pontos do sistema e o custo da operao simulada relativo
ao consumo e demanda de energia; 2) o mdulo de otimizao, fundamentado
principalmente na tcnica do algoritmo gentico e cuja funo definir a melhor deciso
operacional para as bombas do sistema de modo a atender os objetivos pr-determinados; 3) o
mdulo de monitoramento, para atualizar as informaes sobre o estado da rede em tempo
real; 4) o mdulo de previso da produo, para caracterizar as caractersticas previstas para o
fluido em um horizonte de operao futuro; 5) o mdulo de anlise de incertezas, que permite
realizar a anlise de sensibilidade da simulao derivadas da variabilidade nos valores dos
dados de entrada; e 6) outros mdulos como: a ferramenta de apoio calibrao da rede, a
ferramenta de projeto otimizado de novos dutos, a ferramenta de anlise de robustez do
modelo de deciso, a ferramenta de registro global dos processos e a ferramenta para edio
de funcionalidades do software.

4.1.1 Generalidades

No SmartPumping, considera-se como horizonte de operao o perodo de tempo para o


qual uma operao pr-determinada de bombas (escalonamento) deve ser aplicada, devendo
ser discretizado em intervalos de clculo e em intervalos de atuao. Em cada intervalo de
clculo do horizonte de operao, um novo equilbrio hidrulico estabelecido, definindo-se
as vazes e as presses correspondentes ao cenrio inicial do intervalo. Aps ter-se atingido o
2

Verso utilizada neste trabalho: 1.4.3

48

equilbrio hidrulico, realizado o balano hdrico nos tanques (Equao 2), atualizando seus
nveis, os quais serviro de base para um novo equilbrio hidrulico. O intervalo de atuao
deve ser no mnimo igual ao intervalo de clculo, e corresponde ao intervalo de tempo no qual
possvel alterar o estado das bombas do sistema. Segundo Silva (1999), o intervalo de
atuao no deve ser muito pequeno sob pena de acarretar um alto nmero de chaveamentos
nas bombas, nem muito grande, por reduzir as possibilidades de otimizao. Com relao ao
intervalo de clculo, quanto menor seu valor, mais preciso ser o resultado do balano hdrico
dos tanques, no entanto, intervalos de clculo muito pequenos acarretam um alto custo
computacional por requerer que o equilbrio hidrulico seja estabelecido mais vezes.

N ini , se i = 1

Ni =

(Qei 1 Qsi 1 ) .i
, se i > 1
max 0, N i 1 +
Ab

Equao 2

onde:

i um intervalo de clculo do horizonte de operao;


N i o nvel de fluido no tanque no intervalo de clculo i , tendo como limite mximo
superior a altura do tanque, [m];

N ini o nvel de fluido no tanque no incio do primeiro intervalo de clculo, [m];


Ab a rea da base do tanque, [m2];

Qei , Qsi so as vazes de entrada e de sada do tanque no intervalo de clculo i ,


respectivamente, [m3/s];
i a durao correspondente a um intervalo de clculo, [s].

Os elementos da rede representados no SmartPumping so: bombas, tanques, dutos, ns


e estaes. As bombas podem ser do tipo centrfuga ou volumtrica e tm suas curvas
caractersticas representadas atravs de uma equao do segundo grau (Equao 3), sendo que
as volumtricas possuem o coeficiente a da curva caracterstica nulo, ou seja, tm suas
curvas caractersticas representadas atravs de uma equao linear. Os tanques so
denominados de produtores, quando esto inseridos em uma estao coletora, ou receptores,
quando se incluem na estao de tratamento de leo.

49

HmanB ,i = a.QB ,i + b.QB ,i + c

Equao 3

onde:

HmanB ,i a altura manomtrica da bomba B no intervalo de clculo i , [m];


QB ,i a vazo da bomba B no intervalo de clculo i , [l/s];
a , b , c so os coeficientes da curva caracterstica da bomba.

Para cada estao definida uma previso da produo de fluido, a qual funciona como
caracterizador das propriedades e vazo do fluido oriundo dos poos para as estaes
coletoras durante o horizonte de operao, e definidor da vazo do fluido retirado da estao
receptora. Um fluido representado no SmartPumping atravs das seguintes propriedades:
vazo - Q, temperatura - T, massa especfica - , porcentagem de gua e sedimentos - BS&W
e viscosidade cinemtica - .
Um fluido caracterizado na entrada de uma estao coletora, para um dado intervalo de
clculo, tem suas propriedades mantidas ao longo da rede, na direo do fluxo, at que
encontre um n onde ocorre a mistura, com transferncia para o duto subseqente de um
fluido derivado com propriedades equivalentes. Na entrada de cada estao coletora e a cada
novo intervalo de clculo, ocorre mistura dos fluidos que esto sendo introduzidos na estao
com o fluido no interior do tanque da estao. As regras para mistura de fluidos primitivos, os
quais possuem propriedades definidas, para obteno de um fluido resultante, sero
explanadas na seo seguinte.
Alm das restries implcitas do sistema, as quais definem o equilbrio hidrulico,
como a conservao da massa em cada n e a conservao de energia, o SmartPumping
considera explicitamente algumas restries operacionais do sistema: 1) restries na
capacidade de armazenamento dos tanques, representadas por nveis mximos e mnimos
admissveis para cada tanque; 2) presses admissveis nos dutos, representadas por valores
mximos e mnimos admissveis em cada duto; e 3) velocidades admissveis nos dutos,
representadas por valores mximos e mnimos admissveis em cada duto. Cada vez que uma
restrio operacional violada, o SmartPumping detecta um alarme, e a operao das bombas
que provocou esse alarme dita invivel, ou infactvel. O intervalo de atuao onde ocorre o
primeiro alarme, considerando a ordem natural desses intervalos no horizonte de operao,
denominado de ponto de falha do cromossomo.

50

4.1.2 Mistura de fluidos

Considerando-se que no incio do horizonte de operao todas as caractersticas do


fluido no interior dos tanques so definidas, a mistura daquele fluido com os que esto sendo
introduzidos na estao a cada intervalo de clculo define a variao dessas caractersticas ao
longo do horizonte de operao. O resultado da mistura dado pela mdia ponderada para
as caractersticas de temperatura, BS&W ou massa especfica dos valores dessas
caractersticas em relao ao somatrio dos volumes dos fluidos que entram e do volume de
fluido contido no tanque no incio do intervalo de clculo (Equaes 4, 5, 6).

BSWti =

(BSWti 1.Vti 1 ) + (BSWee,i 1i .Vee,i 1i )


e

Vti 1 + Vee ,i 1i

Equao 4

Tti =

(Tti 1.Vti 1 ) + (Tee ,i 1i .Vee ,i 1i )


e

Vti 1 + Vee ,i 1i

Equao 5

t i =

( ti 1.Vti 1 ) + (ee ,i 1i .Vee ,i 1i )


e

Vti 1 + Vee ,i 1i

Equao 6

onde:

BSWti o BS&W do fluido contido no tanque no intervalo de clculo i , [%];


Vti o volume de fluido contido no tanque no intervalo de clculo i , [m];
BSWee,i 1i o BS&W do fluido da entrada e , entre os intervalos de clculo i 1 e i , [%];
Vee ,i 1i o volume de fluido da entrada e , entre os intervalos de clculo i 1 e i , [m];
Tt i a temperatura do fluido do tanque no intervalo de clculo i , [C];
Tee,i 1i a temperatura do fluido da entrada e , entre os intervalos de clculo i 1 a i , [C];

t i a massa especfica do fluido do tanque no intervalo de clculo i , [kg/m];

ee,i 1i a massa especfica do fluido da entrada e , entre os intervalos de clculo i 1 a i ,


[kg/m].

51

O volume de fluido contido no tanque em um dado intervalo de clculo dado pela


multiplicao da rea de base do tanque pelo nvel de fluido contido no tanque no referido
intervalo (Equao 7), enquanto que o volume de fluido de entrada no tanque durante um
intervalo dado pela multiplicao da vazo de entrada no tanque pela durao do intervalo
(Equao 8).

Vt i = Abi .N i

Equao 7

Vei 1i = Qei 1i .i

Equao 8

onde:

Qei 1i a vazo do fluido de entrada no tanque, entre os intervalos de clculo i 1 e i ,


[m/s].

As propriedades dos fluidos resultantes da mistura nos dutos so obtidas atravs da


ponderao pela vazo dos valores das propriedades dos fluidos primitivos, para o caso de
essas propriedades serem temperatura, BS&W ou massa especfica (Equaes 9, 10 e 11).

BSWyi 1 , se duto est conectado ao tanque produtor

(BSWz .Qz )
i
i
BSWxi =
z
,caso contrrio

z Qzi

Equao 9

Tyi 1 , se duto est conectado ao tanque produtor

(Tz i .Qzi )
Txi =
z
,caso contrrio

Qzi

Equao 10

yi 1 , se duto est conectado ao tanque produtor

(z .Qz )
i
i
xi =
z
,caso contrrio

Qzi

Equao 11

onde:

BSWxi o BS&W do fluido do duto x no intervalo de clculo i , [%];

52

Txi a temperatura do fluido do duto x no intervalo de clculo i , [C];

xi a massa especfica do fluido do duto x no intervalo de clculo i , [kg/m];


BSWyi o BS&W do fluido no tanque produtor y conectado ao duto x no intervalo de i ,
[%];

Tyi a temperatura do fluido no tanque produtor y conectado ao duto x no intervalo de


clculo i , [C];

yi a massa especfica do fluido no tanque y conectado ao duto x no intervalo de clculo


i , [kg/m];
BSWzi o BS&W do fluido no duto z a montante do duto x no intervalo de clculo i , [%];
Tzi a temperatura do fluido no duto z a montante do duto x no intervalo de clculo i , [C];

zi a massa especfica do fluido no duto z a montante do duto x no intervalo de clculo i ,


[kg/m];

Qz ,i a vazo do fluido no duto z a montante do duto x no intervalo de clculo i , [m/s].

A variao da viscosidade cinemtica do fluido com a temperatura representada no


SmartPumping atravs da Equao 12, a qual uma adaptao para as unidades do Sistema
Internacional de Medidas (SI) da equao recomendada pela Norma 11A4.53 do American

Petroleum Institute (API).

= {exp[exp[ p + m. ln (1,8(273,15 + T ))]] 0,7}.106

Equao 12

onde:

a viscosidade cinemtica do fluido, [m/s];


m e p so os parmetros da equao da viscosidade cinemtica, [adimensionais];

T a temperatura do fluido, [C].

A viscosidade cinemtica resultante da mistura de fluidos diferentes encontrada


utilizando uma simplificao de uma metodologia proposta nessa mesma norma para
encontrar os parmetros da equao do fluido resultante. A viscosidade cinemtica resultante
3

Procedure 11A4.5, (1992). Liquid viscosity blending of hydrocarbon mixtures. STD.API/PETRO, TDB
Chapter 11.

53

da mistura de fluidos sempre feita de dois em dois, ou seja, caso haja mais de dois fluidos a
ser misturado, ser feita a mistura com dois dos fluidos e o resultado dessas com o terceiro
fluido, e assim por diante.
As Equaes 13 a 16 so utilizadas, no SmartPumping, para encontrar os parmetros da
equao da viscosidade cinemtica do fluido resultante da mistura de dois fluidos (fluido F1
e fluido F 2 ), para um dado intervalo de clculo i .

%VolF 1,i 1 =

(VolF 1,i 1 )
(VolF 1,i 1 + VolF 2,i 1 )

Equao 13

%VolF 2,i 1 =

(VolF 2,i 1 )
(VolF 1,i 1 + VolF 2,i 1 )

Equao 14

mFr ,i =

pFr ,i =

1
%VolF 1,i 1 %VolF 2,i 1
+
mF 1,i 1
mF 2,i 1
%VolF 1,i 1.mF 2,i1. pF 1,i 1 + %VolF 2,i 1.mF 1,i1. pF 2,i 1
%VolF 1,i 1.mF 2,i 1 + %VolF 2,i 1.mF 1,i1

Equao 15

Equao 16

onde:
%VolF 1,i e %VolF 2,i so as propores percentuais dos volumes dos fluidos primitivos F1 e
F 2 em relao ao volume total da mistura, no intervalo de clculo i , [%];
mFr ,i e pFr ,i so os parmetros da equao da viscosidade cinemtica do fluido resultante da

mistura para o intervalo de clculo i , [adimensionais];


mF 1,i e pF 1,i so os parmetros da equao da viscosidade cinemtica do fluido F1 , no

intervalo de clculo i , [adimensionais];


mF 2,i e pF 2,i so os parmetros da equao da viscosidade cinemtica do fluido F 2 , no

intervalo de clculo i , [adimensionais].

4.1.3 Equilbrio hidrulico

A resoluo do equilbrio hidrulico da rede feita utilizando um mtodo hbrido nmalha denominado por Todini e Pilati (1987) e por Salgado et al. (1988) como Mtodo do
Gradiente. Consiste de um algoritmo para resoluo simultnea de equaes em um

54

determinado instante considerando o princpio da continuidade, o princpio da conservao da


energia e a relao entre a vazo e a perda de carga.
Em uma rede ramificada, os nveis e as cotas topogrficas dos tanques so variveis
conhecidas em um determinado intervalo de clculo, portanto, pode-se design-los como
sendo ns com carga piezomtrica conhecida. Aplicando o mtodo do gradiente, possvel, a
partir dessas cargas conhecidas, encontrar os valores das cargas piezomtricas desconhecidas
nos outros ns, e, consequentemente, as vazes em cada um dos dutos ou bombas que
interligam esses mesmos ns.
As bombas so elementos de conexo que proporcionam um ganho de carga no sistema,
enquanto os dutos so elementos de conexo que proporcionam uma perda de carga no
sistema. No equilbrio hidrulico, o ganho de carga no sistema (Equao 17), convencionado
como negativo, calculado atravs da curva caracterstica da bomba, enquanto que a perda de
carga (Equao 17), convencionada como positiva, obtida utilizando uma derivao da
equao universal da perda de carga em dutos - Equao de Darcy-Weisbach.
O fator de atrito (Equao 18), em escoamentos com nmero de Reynolds maior do que
2.300 (escoamento de transio a turbulento) calculado pela frmula de Shacham-1
(OLUJIC, 1981 apud KOIDE, 1998), e no escoamento laminar dado pela equao de
Hagen-Poiseuille.

a.Q 2 + b.Q + c , para as bombas

F (Q) = 8. f .L.Q 2
2 .g.d 5 , para os dutos

Equao 17

64
Rey , se Rey < 2.300

f =
-2
2. log 5,02 log + 14,5 , se Rey 2.300
10
10

3,7.d Rey
3,7.d Rey

Equao 18

Rey =

4.Q
. .d

onde:

F (Q ) o ganho/perda de carga nos elementos, [m];


L o comprimento do duto, [m];
g a acelerao da gravidade, [m/s];

Equao 19

55

d o dimetro interno do duto, [m];


f o coeficiente do fator de atrito no duto, [m];

a rugosidade absoluta do duto, [m];


Rey o nmero de Reynolds do escoamento, [adimensional].

Para cada intervalo de clculo, o mtodo do gradiente implementado no SmartPumping


arbitra inicialmente uma vazo conhecida para as bombas e os dutos do sistema. A vazo
arbitrada para os dutos obtida multiplicando a rea da seo transversal dos dutos por uma
velocidade de 1,5m/s, e a vazo arbitrada para as bombas igual mxima possvel, ou seja, a
vazo para a qual a altura manomtrica zero.
Sendo o mtodo do gradiente um processo iterativo, na primeira iterao do intervalo de
clculo, considera-se como vazo inicial a vazo arbitrada para determinar as cargas
piezomtricas desconhecidas nos ns atravs da resoluo de uma operao matricial, e
consequentemente, a vazo em cada elemento do sistema. A cada nova iterao, considera-se
como vazo inicial a vazo da iterao anterior acrescida de um fator de correo. O processo
iterativo continua at que sejam satisfeitas, para cada n com carga piezomtrica
desconhecida do sistema, o princpio da conservao da massa (Equao 20) e o princpio da
conservao de energia (Equao 21), ou seja, at que a correo da vazo seja inferior ao
limite admissvel (geralmente 10-9).

Qaf Qef
w

=0

Equao 20

H k H l = F (Q) k ,l

Equao 21

onde:
Qaf w a vazo de um duto w afluente a um n com carga piezomtrica desconhecida, [m/s];
Qef y a vazo de um duto y efluente de um n com carga piezomtrica desconhecida, [m/s];
H k e H l so as cargas piezomtricas nos ns k e l , respectivamente, [m];
F (Q )k ,l o ganho/perda de carga entre os ns k e l , [m].

56

Em uma dada iterao do mtodo do gradiente, para uma rede com ns de carga
piezomtrica desconhecida, a operao matricial resolvida dada por JH = R , onde J
(Equao 22) uma matriz Jacobiana (matriz simtrica positiva definida) de dimenso x ,
obtida utilizando-se apenas a informao do ganho/perda de carga do sistema. Os elementos
da diagonal da matriz J so dados pela soma do inverso da derivada da perda/ganho de carga
de todos os elementos de conexo que chegam/saem de um mesmo n. Os demais elementos,
quando existir elemento de conexo entre os ns, so dados pelo somatrio do inverso
negativo da derivada do ganho/perda de carga dos elementos de conexo entre esses ns; caso
contrrio ter valor zero (Equao 22).

1
, se k = l

'
(
)
F
Q
ec
k
ec
,

, se k l e existir conexo entre k e l


J kl =

'
(
)
F
Q
k ,l
ec
0, se k l e no existir conexo entre k e l

Equao 22

onde:
J kl o elemento correspondente linha k e a coluna l da matriz J ;
ec um elemento de conexo (bomba ou duto) conectado ao n k ;

F ' (Q )k , ec a derivada do ganho/perda de carga entre o n k e o elemento de conexo ec ,


[m];
F ' (Q )k ,l a derivada do ganho/perda de carga entre os ns k e l , [m].

A matriz R (Equao 23) possui dimenso x 1, onde cada elemento composto pela
soma de trs matrizes. A primeira matriz representa o termo da continuidade das vazes, e as
demais matrizes so fatores de correo para a vazo.

F (Q )y ,k

F (Q )w,k
Hs

Rk = Qaf w Qef y +
+

y F ' (Q )y ,k
y
w
w F ' (Q )w,k
s F ' (Q )s ,k
onde:
Rk o elemento correspondente linha k da matriz R ;

Equao 23

57

F (Q )w, k o ganho/perda de carga entre o n k e o duto w afluente a k , [m];


F ' (Q )w, k a derivada do ganho/perda de carga entre o n k e o duto w afluente a k , [m];
F (Q )y , k o ganho/perda de carga entre o n k e o duto y efluente de k , [m];
F ' (Q )y , k a derivada do ganho/perda de carga entre o n k e o duto y efluente de k , [m];
s um elemento com carga piezomtrica conhecida, conectado ao n k ;

F ' (Q )s , k a derivada do ganho/perda de carga entre o n k e o elemento com carga


piezomtrica conhecida s , [m].

A matriz H o vetor de incgnitas dos ns de carga piezomtrica desconhecida a ser


determinado e possui dimenso x 1. obtida utilizando o processo de soluo de equaes
lineares denominado de decomposio de Cholescky (TODINI & PILATI, 1987). Uma vez
determinadas as cargas piezomtricas de todos os elementos do sistema, caso o critrio de
parada no tenha sido satisfeito, calculam-se as vazes iniciais da nova iterao do gradiente
atravs da Equao 24, aplicada a cada elemento do sistema (dutos e bombas).

(Q )

k , l u +1

= (Qk ,l )u (dQ )u

F (Q) k ,l
Hk Hl
(dQ )u =

F
'
(
Q
)
F ' (Q) k ,l
l

,
k
l

Equao 24

Equao 25

onde:

(Q )

a vazo entre os ns k e l , para a iterao u do gradiente, [m/s];

(dQ )u

a correo para a vazo do elemento, [adimensional].

k ,l u

Caso a vazo da nova iterao para uma bomba resulte em um valor negativo, adota-se
como metade da vazo anterior. A correo da vazo um fator que aproxima a vazo dos
elementos do valor que atende ao equilbrio hidrulico, e estabelece o critrio de parada do
mtodo do gradiente quando a diferena entre esses valores for menor do que o limite prestabelecido.

58

4.1.4 Clculo tarifrio

O clculo tarifrio do SmartPumping baseado na Resoluo ANEEL n 456 de 29 de


novembro de 2000, a qual estabelece as condies gerais de fornecimento de energia eltrica
no Brasil. As modalidades de tarifas definidas pela resoluo so do tipo: 1) monmia: tarifa
de fornecimento de energia eltrica constituda por preos aplicveis unicamente ao consumo
de energia eltrica ativa; 2) binmia: tarifas de fornecimento constitudo por preos aplicveis
ao consumo de energia eltrica ativa e demanda faturvel; e 3) tarifa de ultrapassagem:
tarifa aplicvel sobre a diferena positiva entre a demanda medida e a contratada, quando
exceder os limites estabelecidos.
A resoluo estabelece dois grandes grupos de estruturas tarifrias: a estrutura tarifria
convencional e a estrutura tarifria horo-sazonal. A estrutura tarifria convencional
caracterizada pela aplicao de tarifas de consumo de energia e/ou de demanda de potncia,
independentemente das horas de utilizao do dia e dos perodos do ano. O SmartPumping
atende essa estrutura tarifria apenas para os consumidores de alta tenso na modalidade
binmia, ou seja, com tarifas para o consumo e a demanda de potncia.
A estrutura tarifria horo-sazonal caracterizada pela aplicao de tarifas diferenciadas
de consumo de energia eltrica e de demanda de potncia, de acordo com as horas de
utilizao do dia e os perodos do ano. A modalidade horo-sazonal verde se caracteriza pela
aplicao de tarifas diferenciadas de consumo de energia eltrica, de acordo com as horas de
utilizao do dia e os perodos do ano, bem como de uma nica tarifa de demanda de
potncia. A modalidade horo-sazonal azul, por sua vez, caracterizada pela aplicao de
tarifas diferenciadas de consumo de energia eltrica, de acordo com as horas de utilizao do
dia e os perodos do ano, bem como de tarifas diferenciadas de demanda de potncia, tambm
segundo as horas de utilizao do dia. O SmartPumping atende ambas as modalidades azul e
verde.
O perodo mido compreende os fornecimentos abrangidos pelas leituras de dezembro
de um ano a abril do ano seguinte, enquanto que o perodo seco o perodo de 7 meses
consecutivos complementares ao perodo mido. O horrio de ponta o perodo definido pela
concessionria composto por 3 (trs) horas dirias consecutivas, exceo feita aos sbados,
domingos e feriados definidos por lei federal, considerando as caractersticas do seu sistema

59

eltrico. O horrio fora de ponta definido como sendo o perodo composto pelo conjunto das
horas dirias consecutivas e complementares quelas definidas no horrio de ponta.
O faturamento das unidades consumidoras de alta tenso composto das seguintes
parcelas: custo da demanda de potncia ativa, custo do consumo de energia eltrica ativa e
custo do consumo de energia eltrica e demanda de potncia reativas excedentes, sendo
considerado no SmartPumping apenas os custos referentes ao consumo de energia eltrica e
demanda ativa. Dessa forma o custo com energia eltrica referente ao bombeamento em um
horizonte de operao calculado pela Equao 26.

Custo = Custo E + Custo D

Equao 26

onde:
Custo o custo com energia eltrica referente ao horizonte de operao, [R$];

Custo E o custo de energia consumida referente ao horizonte de operao, [R$];


Custo D o custo de demanda referente ao horizonte de operao, [R$].

Para cada intervalo de clculo, o SmartPumping obtm o consumo de energia


multiplicando a potncia das bombas em funcionamento na unidade consumidora no referido
intervalo, pela durao do intervalo. A multiplicao do consumo de energia pela tarifa
apropriada (considerando perodo do ano e horrio do dia, quando for o caso) oferece o custo
do consumo de energia eltrica de cada intervalo de clculo, e seu somatrio o custo
referente ao consumo de energia eltrica da unidade consumidora para o horizonte de
operao (Equao 27).

Custo E =
. Pot B ,i .tarifaEi

UC i 3600 B

UC

Pot B ,i =

B ,i .g .HmanB ,i .QB ,i
M B ,1 .BB ,i

onde:
UC uma unidade consumidora de energia eltrica do sistema;

B uma bomba de uma unidade consumidora do sistema;


Pot B ,i a potncia da bomba B no intervalo de clculo i , [kW];

Equao 27

Equao 28

60

tarifaEi a tarifa relativa ao consumo de energia eltrica correspondente ao intervalo de


clculo i , [R$/kWh];

B,i a massa especfica do fluido da bomba B no intervalo de clculo i , [kg/m3];


M B o rendimento do motor da bomba B ;

BB ,i o rendimento da bomba B no intervalo de clculo i .

A Resoluo ANEEL 456/2000 estabelece ainda as seguintes definies para demanda


de energia, todas expressas em quilowatts - kW: 1) Demanda: mdia das potncias eltricas
ativas ou reativas, solicitadas ao sistema eltrico pela parcela da carga instalada em operao
na unidade consumidora, durante um intervalo de tempo especificado; 2) Demanda
contratada: demanda de potncia ativa a ser obrigatria e continuamente disponibilizada pela
concessionria, no ponto de entrega, conforme valor e perodo de vigncia fixados no contrato
de fornecimento e que dever ser integralmente paga, seja ou no utilizada durante o perodo
de faturamento; 3) Demanda de ultrapassagem: parcela da demanda medida que excede o
valor da demanda contratada; 4) Demanda medida: maior demanda de potncia ativa,
verificada por medio, integralizada no intervalo de 15 (quinze) minutos durante o perodo
de faturamento; e 5) Demanda faturvel: valor da demanda de potncia ativa, identificada de
acordo com os critrios estabelecidos e considerada para fins de faturamento, com aplicao
da respectiva tarifa.
No caso dos consumidores de alta tenso, atendidos pela estrutura tarifria convencional
ou horo-sazonal, a demanda faturvel corresponde ao maior valor entre a demanda contratada
e a demanda medida, exceto para aqueles consumidores classificados como rurais ou
reconhecidos como sazonais. Para estes ltimos existem critrios diferenciados para a
demanda faturvel, os quais no esto implementados no SmartPumping.
Desse modo, o custo referente demanda de potncia, utilizado no clculo tarifrio do
SmartPumping, considera os seguintes casos: Caso 1 - Demanda medida inferior demanda
contratada - aplica-se a tarifa normal de demanda sobre a demanda contratada; Caso 2 Demanda medida superior demanda contratada, mas dentro da tolerncia de ultrapassagem aplica-se a tarifa normal de demanda sobre a demanda medida; e Caso 3 - Demanda medida
superior demanda contratada e acima da tolerncia de ultrapassagem - aplica-se a tarifa
normal de demanda sobre a demanda contratada, e soma-se a isso a aplicao da tarifa de

61

ultrapassagem sobre a diferena entre a demanda medida e a demanda contratada. Ou seja,


paga-se tarifa normal pelo valor contratado e tarifa de ultrapassagem sobre todo o excedente.
A demanda em cada intervalo de clculo estimada no SmartPumping como o
somatrio das potncias das bombas da unidade consumidora no referido intervalo. Para o
horizonte de operao, a demanda medida a ser comparada com a demanda contratada, ser o
mximo valor das demandas considerando todos os intervalos de clculo e considerando as
variaes de ponta e fora de ponta.
A partir da comparao entre as demandas medida e contratada, define-se a demanda
faturvel e seu respectivo custo referente ao horrio de ponta ( custoDp ) e ao horrio fora de
ponta ( custoDfp ) e correspondendo durao de um ms de simulao, que o perodo de
tempo entre duas faturas consecutivas e para o qual a demanda foi contratada.
Segundo Mackle et al. (1995), incluir o custo do pico de demanda de energia eltrica no
clculo tarifrio uma tarefa muito difcil, porque a unidade diria no a base do custo da
demanda, que considera o pior registro ocorrido no perodo de um ms. No SmartPumping, o
somatrio do custo mensal de cada unidade consumidora corrigido para a durao do
horizonte de operao atravs da Equao 29 e constitui parte componente do custo de
energia eltrica da simulao (Equao 26, pg. 59).
(custoDp + custoDfp ).dS

CustoD =
dms
UC

Equao 29

onde:
custoDp e custoDfp correspondem aos custos da demanda do perodo de ponta e fora de ponta
verificados entre fechamento de faturas. funo das demandas medidas, da data e das
horas transcorridas durante a simulao, da demanda contratada para a ponta e fora de ponta,
e das caractersticas da tarifao, conforme contrato feito com a concessionria, [R$];
dS a durao do horizonte de operao, [s];

dms a durao do ms no qual a simulao do horizonte de operao foi executada, [s].

62

4.1.5 Modelagem da rede piloto no SmartPumping

O SmartPumping, por ser um software em desenvolvimento, apresenta alguma lacunas


na modelagem das redes o que exigiu algumas simplificaes na rede piloto para tornar
possvel a sua representao e simulao hidrulica. A principal simplificao foi a adoo de
um nico tanque por estao.
Alm disso, como essa pesquisa foi conduzida em paralelo ao processo de calibrao
dos valores de coeficiente de atrito nos dutos e das curvas caractersticas das bombas, e em
paralelo ao processo de obteno da previso da produo dos fluidos efluentes para a rede
piloto, algumas consideraes foram feitas para obteno desses valores e de outros dados
fsicos e operacionais no disponveis.

Dados fsicos da rede

Considerou-se apenas um tanque por estao, com dimenses iguais s fornecidas


(Tabela 1, pg. 12), com exceo da estao LPX onde os tanques funcionam equalizados,
sendo adotado apenas um tanque com rea da base igual ao somatrio das reas dos dois
tanques da estao. Os dados de dutos e cotas topogrficas foram mantidos, sendo estimado
apenas o valor da rugosidade dos dutos. A rugosidade adotada foi de 0,0015 m, equivalente a
um duto de ferro fundido oxidado (PORTO, 2004).
As curvas caractersticas das bombas foram obtidas a partir de catlogos referentes s
marcas e modelos fornecidos para gua a 20C, com uma rotao de 280 rpm. O rendimento
do motor e o rendimento da bomba foram mantidos constantes em 90%.

Propriedades do fluido

Utilizando os dados fornecidos para as propriedades dos fluidos em uma medio


especfica (Tabela 2, pg. 12), determinaram-se os coeficientes da equao da viscosidade
cinemtica, utilizada no SmartPumping (Equao 12, pg. 52). Os dados de previso do
BS&W de entrada da estao e de densidade do fluido foram tomados iguais aos fornecidos
na Tabela 2 (pg. 12).

63

Os dados de previso da vazo de entrada em cada estao coletora foram estimados


considerando um tempo de enchimento dos tanques de cada estao variando entre 5 e 9
horas, sendo o maior tempo de enchimento atribudo para o tanque da estao RFQ e o menor
para a estao de LOR. A vazo de sada da estao receptora foi adotada como o somatrio
das vazes de entrada no sistema. A temperatura adotada foi 40C constante.

Restries operacionais

Os nveis admissveis para os tanques foram adotados em 15% da altura total para nvel
mnimo de controle e 85% para o nvel mximo de controle. Adotou-se como presso mxima
as presses de operao fornecidas na Tabela 3 (pg. 12), respectivamente 420,0 mca para o
duto RFQ/LPX e de 200,0 mca para o duto LPX/LOR/UPN. Como o SmartPumping expressa
as presses em metro coluna de fluido [mcf], as presses mximas admissveis foram
convertidas para essa unidade multiplicando o seu valor pela densidade mdia do sistema,
cujo valor 0,8335. A presso mnima do sistema foi estimada em 5% da presso mxima.
Para as restries de velocidade nos dutos, utilizou-se o valor extremo mximo da vazo
de projeto fornecido na Tabela 3 (pg. 12), respectivamente 90,0 m/h para o duto RFQ/LPX e
de 225,0 m/h para o duto LPX/LOR/UPN. Tendo disponveis os dimetros de cada duto,
foram avaliadas as respectivas velocidades mximas admissveis. A velocidade mnima foi
estimada em 5% da velocidade mxima.
Foi atribudo um nico sistema tarifrio horo-sazonal azul para o sistema, com tarifas
vigentes na COSERN desde o dia 01/07/2005 para o sub-grupo A4 (Consumo
prprio/Industrial/Comercial/Poder Pblico). O contrato de demanda simulado estipula uma
demanda mxima de 60,0 kW para o perodo de ponta, entre 17:30 h e 20:30 h, e de 90,0 kW
para o perodo fora de ponta, com tolerncia de ultrapassagem de 10% em ambas.
Na Figura 10, vide pgina seguinte, est representada a rede piloto modelada no
SmartPumping, e nas tabelas 5 a 9 (pgs. 64 e 65) esto descritos os dados fsicos, de previso
de fluido, as restries operacionais e as tarifas de energia eltrica utilizados nessa
modelagem.

64

Figura 10 Rede piloto modelada no SmartPumping.

Tabela 5 Caractersticas fsicas das bombas.


Estao

Cota
[m]
89,0
89,0
54,5
54,5
79,5
79,5

Bomba
B1
B2
B3
B4
B5
B6

RFQ
LPX
LOR

Rendimento do
motor [%]
90
90
90
90
90
90

Rendimento da
bomba [%]
90
90
90
90
90
90

Curva caracterstica
Q l/s, Hman [m]
Hman=-19,19Q+375,6
Hman =-19,19Q+375,6
Hman =-19,19Q+375,6
Hman =-19,19Q+375,6
Hman =-41,879Q+507,02
Hman =-41,879Q+507,02

Tabela 6 Caractersticas fsicas dos oleodutos.

Duto

Dimetro
interno
[mm]

D1
D2
D3

Comprimento
[m]

154,00
261,88
261,88

14.000
17.000
28.000

Presso
admissvel
[mcf]
Mxima Mnima
350,00
17,50
167,00
8,35
167,00
8,35

Velocidade
admissvel
[m/s]
Mxima Mnima
1,34
0,07
1,16
0,06
1,16
0,06

Cota
de
montante
[m]
89,00
54,50
79,50

Cota
de
jusante
[m]
54,50
79,50
83,50

Tabela 7 Caractersticas fsicas dos tanques.

Estao

Tanque

RFQ
LPX
LOR
UPN

T1
T2
T3
T4

Cota de
fundo
[m]
89,00
54,50
79,50
83,50

Altura [m]
7,61
8,20
7,31
9,11

Nvel mximo
de controle [m]

Nvel mnimo
de controle [m]

rea da base
[m2]

6,47
6,97
6,21
7,75

1,14
1,23
1,10
1,37

45,81
39,27
45,81
95,03

65

Tabela 8 Previso da produo do fluido da rede piloto.

Estao
RQF
LPX
LOR
UPN

Coeficientes da
equao de
viscosidade
m
p
-5,078
33,012
-3,107
20,372
-3,112
20,437
-

Vazo de
entrada
[m/h]

Vazo de
sada
[m/h]

25,0
40,0
45,0
-

Massa
especfica
[kg/m]

110,0

Temperatura [C]

841,0
825,8
833,8
-

40,0
40,0
40,0
40,0

Tabela 9 Tarifas de energia eltrica.4


Demanda [R$/kW]
Ponta
43,45

Fora de Ponta
13,46

Demanda de
ultrapassagem [R$/kW]
Ponta
Fora de Ponta
130,36
40,37

Consumo [R$/MWh]
Ponta
Fora de Ponta
Seca
mida
Seca
mida
190,29
172,30
102,93
91,63

4.2. Objetivos da operao

Os objetivos da operao abrangidos nesse trabalho consistem em minimizar o custo de


energia eltrica da operao, minimizar o nmero de chaveamentos da operao e minimizar a
variao das propriedades do fluido na estao de tratamento de leo.
A rede piloto utilizada no contm verdadeiramente uma estao de tratamento, e,
portanto, no requer uma manuteno da vazo e propriedades do fluido na estao receptora
intermediria de Upanema. Mas, como o escopo desse trabalho avaliar e validar um mtodo
multi-objetivo que minimize simultaneamente diversos objetivos da operao, a estao de
Upanema ser considerada como uma estao de tratamento de leo.

Funo-objetivo 1: Minimizar o custo de energia eltrica da operao do sistema

Considerado na sua forma unitria, em relao ao volume bombeado para a estao de


tratamento de leo.

FO1l =

Custo l
Volume l

Equao 30

Em vigor a partir de 01/07/2005 com aplicao a partir de 16/09/2005 segundo Resoluo Homologatria
103/2005 Anexo II (sem ICMS, PIS e COFINS) ANEEL.

66

onde:

FO1l o valor da funo-objetivo referente minimizao do custo de energia eltrica por


volume bombeado para o indivduo l , [R$/m];

Custol o custo de energia eltrica consumida durante o horizonte de operao para o


indivduo l , composto do custo com consumo e demanda de energia, [R$];

Volumel o volume entregue na estao receptora para o indivduo l , [m3].

Funo-objetivo 2: Minimizar o nmero de chaveamentos da operao

Representado atravs da quantidade de vezes que cada bomba do sistema foi acionada
durante o horizonte de operao.

FO 2l = max(0 , Et ,B Et 1,B )
t B
l

Equao 31

onde:

FO 2l o valor da funo-objetivo referente minimizao do nmero de chaveamentos


durante o horizonte de operao, para o indivduo l ;

Et , B o estado da bomba B no intervalo de atuao t (0: desligada ou 1: ligada).

Funo-objetivo 3: Minimizar a variao das propriedades do fluido na estao de


tratamento

Representado atravs da variao da propriedade desejada para o fluido na estao de


tratamento, em relao ao valor simulado dessa propriedade, a qual pode ser expressa em
termos de vazo de entrada na estao receptora, BS&W de entrada na estao receptora ou
BS&W do fluido da estao receptora, de acordo com os objetivos esperados para a operao.
A equao definida para a minimizao da propriedade desejada genrica no apenas
para o tipo da varivel, mas tambm para a forma como se deseja controlar essa variao na
estao receptora, podendo ser adaptada a diversos critrios operacionais especficos,
conforme descrito nas equaes 32 a 34.

67

FO 3l = (Pri Pr d i ). f (variao )
l
i

Equao 32

f ( variao )quadrtica = (Prt Pr d t )

Equao 33

, se (Pri Pr d i ) 0
f ( variao )absoluta =
1, se (Pri Pr d i ) > 0

Equao 34

onde:

FO3l o valor da funo-objetivo referente minimizao da variao da propriedade do


fluido na estao receptora para o indivduo l ;

Pri o valor da propriedade do fluido da estao receptora no intervalo de clculo i ;


Pr d i o valor desejado para a propriedade do fluido no intervalo de clculo i ;

o fator de adequao da variao da propriedade ao critrio especfico desejado.

A funo quadrtica permite enfatizar, atravs do quadrado da diferena, as maiores


discrepncias, em detrimento das menores. A funo absoluta permite uma flexibilidade
maior na considerao da variao da propriedade do fluido escolhida, sendo a forma mais
simples, a minimizao da variao absoluta, ao utilizar o valor de igual a 1.
Utilizar o fator de adequao igual a zero equivale a considerar como indesejveis
apenas os valores da propriedade do fluido que forem superiores ao valor desejado, ou seja, o
valor desejado considerado como o valor mximo admissvel e dever ser encontrada uma
operao que minimize a variao positiva entre o valor da propriedade resultado da operao
e o valor desejado.
Por outro lado, entre 0 e 1 permite oferecer um peso maior para as variaes
positivas em relao s variaes negativas. No caso do BS&W, por exemplo, equivale a
considerar como mais indesejvel o custo de reprocessar o leo na estao receptora, quando
o valor do BS&W ultrapassa o valor desejado, do que o custo referente ao desperdcio dos
produtos qumicos utilizados, quando o valor do BS&W inferior ao desejado. maior que
1 permite oferecer um peso maior para as variaes negativas em relao s variaes
positivas.

68

4.3. Mtodo para otimizao multi-objetivo

Prope-se aplicar um mtodo multi-objetivo considerando todos os objetivos com o


mesmo grau de importncia e aplicar uma tcnica para reduzir o conjunto de solues finais
encontradas, facilitando a tomada de deciso do usurio. Esse procedimento considerado
ideal por Deb (2001) em relao ao procedimento de atribuir uma informao de preferncia
prvia do usurio e encontrar uma nica soluo final.
O mtodo de otimizao multi-objetivo escolhido o SPEA2, o qual, alm de aplicar-se
a problemas de escalonamentos de bombas, como verificado nos trabalhos correlatos, possui
certas caractersticas que influenciaram sua escolha, entre as quais se pode citar: 1) a
considerao na aptido dos indivduos dos conceitos de Pareto e de densidade da vizinhana;
dessa forma, o mtodo se prope a se aproximar progressivamente dos dois critrios
estabelecidos para que o resultado de uma otimizao multi-objetivo seja considerado de alto
desempenho: proximidade e diversidade da fronteira Pareto; 2) o elitismo implcito no
mtodo, representado atravs de uma populao externa que armazena as solues nodominadas encontradas e atualizada a cada gerao; e 3) a preservao das solues
extremas da fronteira na populao externa. As solues extremas so as solues que
representam o mnimo global de cada funo-objetivo, e so importantes no apenas para
manter uma boa propagao dos indivduos da fronteira, mas tambm porque seriam as
solues timas globais obtidas, caso fosse realizada separadamente uma otimizao para
cada funo-objetivo.

4.3.1 Algoritmo evolucionrio multi-objetivo SPEA2

O SPEA2 foi desenvolvido para tentar eliminar as restries do SPEA e incorporar


novas tcnicas que melhoram a eficincia do algoritmo. As principais diferenas entre os dois
mtodos esto sintetizadas no Quadro 2 (pg. 69).
A forma de atribuir a aptido dos indivduos foi um dos principais avanos do SPEA2
em relao ao SPEA, pois, no primeiro, quando a populao externa contiver apenas uma
soluo,

todos

os

indivduos

da

populao

corrente

tero

mesma

aptido,

independentemente de dominarem uns aos outros, provocando uma diminuio na presso de

69

seleo, o que aproxima o mtodo de uma busca aleatria. Enquanto que no SPEA2, alm de
ser considerado na aptido dos indivduos da populao externa e corrente, tanto o nmero de
indivduos que o dominam quanto o nmero de indivduos dominados por ele, ainda
atribudo um fator relativo densidade de vizinhana, visando promover a diversidade da
fronteira Pareto.

Quadro 2 Diferenas entre os mtodos SPEA e SPEA2.


Caractersticas

SPEA

SPEA2

A aptido dos indivduos da populao

Aptido dos indivduos

externa proporcional ao nmero de

A atribuio da aptido dos indivduos

indivduos

da

da

populao

corrente

populao

externa

corrente

dominados pelo indivduo em anlise.

considera, para cada indivduo, tanto o

A aptido dos indivduos da populao

nmero de solues que o dominam

corrente proporcional aptido dos

quanto

indivduos da populao externa que

dominadas por ele.

nmero

de

solues

dominam o indivduo em anlise.

Densidade de
vizinhana

considerada

implicitamente

no

algoritmo de agrupamento aplicado na


populao

externa,

mas

nenhuma

informao de densidade da vizinhana


atribuda populao corrente.

Reduo da populao
externa

de

estimativa

da

densidade da vizinhana incorporada


na aptido dos indivduos da populao
externa e corrente, permitindo uma
orientao mais precisa no espao de

O algoritmo de agrupamento promove

Utiliza um mtodo alternativo de

uma reduo na populao externa sem

truncamento,

destruir as caractersticas da fronteira

caractersticas

de Pareto mas permite a perda de

algoritmo

solues extremas da fronteira.

preserva as solues extremas.

durante as geraes, permanecendo


sempre abaixo ou igual dimenso
mxima.

populao

armazena

apenas

solues

externa
no-

dominadas.
Operador de seleo

tcnica

busca.

A dimenso da populao externa varia

Populao externa

Uma

Mantm
populao

de

uma

qual

possui

semelhantes

ao

agrupamento,

mas

dimenso

externa

fixa

da

preenchendo-a,

quando necessrio, pelas melhores


solues dominadas da populao
corrente.

aplicado tanto na populao externa

aplicado apenas na populao

quanto na populao corrente.

externa.

70

O mtodo SPEA2 inicia seu algoritmo gerando duas populaes, a populao inicial
( PopG ) preenchida por indivduos gerados aleatoriamente, e uma populao externa,
denominada de arquivo, gerada inicialmente vazia ( Pop G = ). Em cada gerao, aps a
definio da populao corrente e da populao externa (arquivo), cada indivduo da
populao corrente avaliado com respeito s funes-objetivo a serem otimizadas, e, em
seguida, avaliado com respeito s relaes de dominncia (o nmero de indivduos
dominados por ele e que o dominam) considerando o conjunto que representa a unio da
populao corrente com a populao externa ( PU G = PopG Pop G ).
Para cada indivduo de PU G , calculado o valor do Strength - S l ,G , equivalente ao
nmero de indivduos dominados pelo indivduo em anlise (Equao 35) e o valor do Raw

Fitness - RFl ,G , equivalente ao somatrio dos Strengths dos indivduos que dominam o
indivduo em anlise (Equao 36).
S l ,G = { | PU G l p }

RFl ,G =

Equao 35

Equao 36

,G
PU G| pl

onde:

S l ,G o valor do Strength do indivduo l na gerao G ;

um indivduo da populao externa dominado pelo indivduo l ;


PU G o conjunto formado pela unio da populao corrente com a populao externa da
gerao G ;
| . | representa a cardinalidade do conjunto;
l p significa que l domina , ou seja, que a seguinte condio foi satisfeita:

{i : FOi ( X 1 )pFOi ( X 2 )}

{j : FO ( X
j

) p FO j ( X 2 )}

RFl ,G o valor do Raw Fitness do indivduo l na gerao G ;


S ,G o valor do Strength do indivduo na gerao G ;

um indivduo da populao externa que domina o indivduo l .


O valor do Strength ser tanto maior quanto mais indivduos forem dominados pela
soluo em anlise, enquanto que o valor do Raw Fitness ser tanto menor quanto menos

71

indivduos dominarem a soluo em anlise, de modo que, se a soluo for no-dominada, o


valor do Raw Fitness ser zero.
Quando muitos indivduos da populao corrente so indiferentes entre si (ou seja, no
dominam uns aos outros), nenhuma ou pouca informao pode ser extrada dos conceitos de
dominncia. No SPEA2, por exemplo, todos os indivduos no-dominados tero o mesmo
valor do Raw fitness, e, nesse caso, a informao de densidade da vizinhana crucial para
determinar quais indivduos so mais aptos e guiar a busca mais eficientemente. Em cada
indivduo de PU G , atribuda essa informao atravs de uma funo decrescente da
distncia do k-simo vizinho mais prximo do indivduo em anlise (Equao 37). Nesse
trabalho foi considerado o valor de k igual a 1, portanto, aps calcular a distncia euclidiana5
entre todos os indivduos de PU G , apenas a menor dessas distncias ser considerada no
clculo da densidade de vizinhana.

Dl ,G =

1
+2

Equao 37

k
l

onde:
Dl ,G o valor da densidade de vizinhana do indivduo l na gerao G ;

lk a distncia euclidiana entre os indivduos l e k , ou, para k = 1, a distncia euclidiana


de l para o seu vizinho mais prximo.

O valor da densidade de vizinhana varia desde um valor mnimo prximo de 0 at


0,50, assumindo o valor mximo para indivduos iguais, e, portanto, com distncia euclidiana
igual a zero. Quanto menor a densidade de vizinhana do indivduo, mais isolada est a
soluo, portanto, mais apta a ser preservada por tentar manter o critrio da diversidade.
Aps definidos o valor do Raw Fitness e da densidade de vizinhana de cada indivduo
em uma gerao, o valor da aptido (Fitness - Fl ,G ) ser dado pelo somatrio dessas duas
variveis (Equao 38). Quanto menor o valor do Fitness de um indivduo, mais apto ele est
para se propagar e disseminar suas caractersticas nas prximas geraes.
5

A distncia entre dois pontos P1 e P 2 de coordenadas ( x1, y1 ) e ( x 2, y 2 ), respectivamente, dada pela

frmula d (P1, P 2) =

(x 2 x1)2 + ( y 2 y1)2

, e chamada de distncia Euclidiana. No mtodo multi-objetivo, as

coordenadas representam os valores de funes-objetivo, e devem ser normalizadas antes do clculo da


distncia.

72

Fl ,G = RFl ,G + Dl ,G

Equao 38

onde:
Fl ,G o valor da aptido do indivduo l na gerao G .

Todas as solues no-dominadas do conjunto PU G so transferidas para a populao


externa da prxima gerao Pop G + 1 , sendo avaliadas novamente as relaes de dominncia
das novas solues inseridas com as j contidas nesse conjunto, mantendo-se no mesmo
apenas as solues no-dominadas. Caso a populao externa no seja totalmente preenchida,
completada com os indivduos dominados de PU G , ordenados em ordem crescente do valor
de Fitness.
Caso a dimenso ultrapasse o valor pr-determinado, aplicado um algoritmo de corte
para eliminar os indivduos excedentes. O algoritmo de corte um processo iterativo que
reduz, a cada iterao, o indivduo tal que a sua distncia euclidiana para o vizinho mais
prximo seja a mnima. E em caso de empate, verifica-se a segunda menor distncia
euclidiana, e assim por diante. De modo matemtico, remove-se o indivduo l , tal que l
d para todo Pop G +1 (Equao 39). O processo iterativo se encerra quando a dimenso

da populao externa atinge o valor pr-definido.

l d

: 0 < k < Pop G +1 : lk = k

0 < k < Pop G +1 : (0 < < k : l = ) lk < k

Equao 39

onde:
l , , , k so indivduos da populao externa Pop G +1 .

Depois de estabelecida a populao externa da nova gerao, avaliado o critrio de


parada do algoritmo. Caso o critrio no seja atendido, os indivduos dessa populao so
selecionados atravs do operador de seleo por torneio, cujo campeo o indivduo de
menor valor de Fitness. Os indivduos selecionados so enviados aos operadores de
reproduo, os quais iro gerar os novos indivduos da populao PopG +1 , reiniciando o ciclo.

73

4.3.2 Incluso do conceito de viabilidade no mtodo SPEA2

Como a aptido dos indivduos dada pelo mtodo SPEA2 considera apenas os conceitos
de dominncia e de densidade de vizinhana, algumas adaptaes foram inseridas no
algoritmo do SPEA2 para considerar tambm o conceito de viabilidade das solues. Essas
modificaes foram incorporadas em dois lugares especficos do algoritmo do SPEA2: no
preenchimento da populao externa da prxima gerao e na seleo dos indivduos para
reproduo.

Preenchimento da populao externa

De uma maneira geral, os indivduos viveis devem sempre ser priorizados em relao
aos inviveis, e, entre si, os melhores indivduos viveis so os que possuem menor Fitness F , definido no algoritmo do SPEA2 e que incorpora no seu valor os conceitos de
dominncia.
Entre os indivduos inviveis, antes de considerar o valor do Fitness na anlise, dever
ser considerado o ponto de falha do cromossomo e o tipo de alarme que ocorre nesse
intervalo. Indivduos com pontos de falha mais tardios devero ser priorizados sobre
indivduos onde o alarme ocorre nos primeiros intervalos de atuao, da mesma forma que o
tipo de alarme detectado no ponto de falha tambm deve ser considerado no critrio de
escolha dos indivduos. Alarmes de presso mxima, velocidade mxima e nvel mximo so
considerados de maior severidade por poder ocasionar danos aos dutos ou poluio ambiental.
Ao invs de selecionar as solues no-dominadas da populao para compor a
populao externa, devero ser selecionadas as solues no-dominadas viveis. Caso a
dimenso da populao externa no atinja o limite estabelecido, as solues que restaram na
populao corrente devero ser ordenadas considerando a viabilidade, o critrio de
dominncia, a aptido das solues, o ponto de falha e a severidade da restrio. Os critrios
so os seguintes: as solues viveis vm sempre no topo, ordenadas em ordem crescente de
Fitness, seguida das inviveis no-dominadas e logo aps as inviveis dominadas. Entre as
solues inviveis, consideram-se como mais aptas aquelas que tm o ponto de falha mais
prximo do final do cromossomo. Havendo empate, considera-se como mais apta aquela que
violou o alarme de menor severidade no ponto de falha, segundo classificao do Quadro 3;
caso o empate persista, considera-se como mais apta a que tiver o menor valor de Fitness.

74

Quadro 3 Severidade das restries violadas.


Restrio Violada

Severidade

Tanque atinge o nvel mximo

Alta

Tanque atinge o nvel mnimo

Baixa

Duto atinge presso mxima

Alta

Duto atinge presso mnima

Baixa

Fluido atinge velocidade mnima em um duto

Baixa

Fluido atinge velocidade mxima em um duto

Alta

A viabilidade e a dominncia podem ser consideradas simultaneamente de duas


maneiras. A primeira inicia a anlise separando os indivduos no-dominados dos dominados
para, em seguida, verificar os conceitos de viabilidade em cada sub-grupo. Ao final, sero
formados quatro grupos de solues, cujo grupo composto pelas solues no-dominadas
viveis ser transferido integralmente para a populao externa (arquivo), e, caso necessrio,
essa populao ser preenchida com indivduos do grupo de dominados viveis, seguido do
grupo de no-dominados inviveis e dominados inviveis. Atravs dessa anlise, um
indivduo dito no-dominado vivel se no houver, em toda a populao, nenhum indivduo
que o domine e se no violar qualquer restrio operacional do sistema (no possuir alarmes).
Esse procedimento de considerao da viabilidade est esquematizado na Figura 11 (pg. 75)
Na segunda forma, inicialmente separam-se os indivduos viveis dos inviveis em dois
sub-grupos, para depois serem avaliadas as relaes de dominncia (Figura 12, pg. 75).
Dessa forma, as relaes de dominncia so consideradas separadamente em cada sub-grupo,
e no no conjunto todo, fazendo com que, os valores de Strentgh, Raw Fitness e Fitness
tambm sejam avaliados em separado para cada sub-grupo. Logo, um indivduo dito vivel
no dominado se no violar nenhuma restrio operacional e no houver, no sub-grupo dos
indivduos viveis, nenhum indivduo que o domine. Aps a separao dos grupos, a ordem
de preenchimento da populao externa se mantm inalterada: viveis no dominados
(integralmente) e, na quantidade necessria: viveis dominados, inviveis no-dominados e
inviveis dominados.

75

Figura 11 Classificao dos indivduos considerando inicialmente as relaes de


dominncia.

Figura 12 Classificao dos indivduos considerando inicialmente o conceito de viabilidade.

76

Seleo dos indivduos para reproduo

O algoritmo original do SPEA2 utiliza o mtodo de seleo por torneio, cujo campeo
a soluo de menor Fitness. Foi avaliada nesse trabalho a introduo da viabilidade na seleo
por torneio, da seguinte forma: 1) entre um indivduo vivel e um invivel, seleciona-se o
indivduo vivel; 2) entre dois indivduos viveis, seleciona-se aquele de menor Fitness; e 3)
entre dois indivduos inviveis, seleciona-se aquele em que o ponto de falha est mais
prximo do final do horizonte de operao e, caso ocorra empate, seleciona-se o indivduo
que violou o alarme de menor severidade; persistindo o empate seleciona-se o indivduo de
menor valor de Fitness.
Alternativamente, foi avaliada tambm uma analogia metodologia de seleo utilizada
em Brasileiro (2005), a qual consiste em selecionar os indivduos utilizando o Mtodo da
Amostragem Estocstica Universal (Stochastic Universal Sampling SUS), considerando
uma aptido relativa posio do indivduo aps terem sido ordenados.
Utilizando essa metodologia alternativa, inicialmente os indivduos so ordenados do
menos apto para o mais apto, considerando os mesmos critrios definidos anteriormente: um
indivduo vivel sempre mais apto do que um invivel; entre dois viveis, o mais apto ser o
de menor valor de Fitness; e, entre dois inviveis, o mais apto ser o de maior ponto de falha,
em caso de empate, o de menor severidade do alarme e, persistindo o empate, o de menor
valor de Fitness. Aps o ordenamento, uma aptido relativa sua posio atribuda
utilizando-se o mtodo do ordenamento linear (Equao 1, pg. 25), com valores de Max =
2,0 e Min = 0,0.

4.3.3 Representao das solues e gerao da populao inicial

Cada soluo para o problema consiste em um escalonamento das bombas no horizonte


de operao e ser representado na forma binria, a qual considerada por Mackle et al.
(1995) como uma escolha bvia, uma vez que cada valor binrio representa uma bomba que
ser ligada ou desligada em determinado perodo de tempo.
O cromossomo formado representa uma matriz bi-dimensional tempo versus bomba,
como representado na Figura 13, onde cada bit assume o valor 0 para uma bomba B desligada
durante determinado intervalo de atuao t e 1 para bomba ligada. Esse tipo de representao

77

binria na forma matricial foi adotado por Brasileiro (2005) para preservar a semntica do
problema e permitir a preservao do sentido temporal da estrutura.

Figura 13 Representao do cromossomo.

A populao inicial gerada randomicamente sendo associada tcnica de seeding, a


qual insere a soluo gerada utilizando o calculador de soluo vivel CSV definido por
Brasileiro (op. cit). Caso a soluo gerada pelo calculador de soluo vivel apresente alguma
inviabilidade, ainda assim ser inserida na populao inicial, onde se espera que a alta aptido
dessa soluo acelere a busca por uma soluo vivel.
Para cada intervalo de atuao, o algoritmo do CSV define uma configurao inicial das
bombas baseada no nvel atual dos tanques. Cada tanque produtor dividido em trs partes
iguais, conforme sua capacidade de volume desde a base do tanque at seu nvel mximo de
controle. Se o nvel do tanque estiver no primeiro tero da diviso e o tanque, portanto, estiver
com um nvel baixo de fluido, as bombas associadas a esse tanque sero desligadas. Se o nvel
estiver no ltimo tero, e o tanque, portanto, estiver prximo a sua capacidade mxima, as
bombas sero ligadas. E, finalmente, se o nvel do tanque estiver no segundo tero, a deciso
baseada no nvel do tanque receptor da rede da estao de tratamento. Caso este tanque
esteja com o nvel abaixo ou acima da metade da sua capacidade, as bombas so ligadas ou
desligadas, respectivamente.
Depois de estabelecida a configurao das bombas, realizada a simulao do intervalo
de atuao, e, caso ocorra algum alarme, indicando que alguma restrio do sistema foi

78

violada e que, portanto, a soluo invivel, so efetuadas modificaes na configurao das


bombas de acordo com as regras de operao do Quadro 4.
Para evitar que o algoritmo fique preso em um lao infinito, com a aplicao sucessiva
das estratgias de reparo, as aes tomadas para solucionar o alarme, em um dado intervalo de
atuao, so registradas. Portanto, quando a simulao de um escalonamento resulta em um
alarme, mas no possvel corrigi-lo, pois todas as operaes de liga/desliga das bombas j
foram testadas, o calculador considera o intervalo atual como concludo e avana para o
intervalo seguinte. Depois de finalizada a busca, a soluo encontrada, mesmo que no seja
vivel, introduzida na populao inicial.

Quadro 4 Estratgias de reparo do calculador de soluo vivel.


Restrio Violada

Ao de reparo

Tanque produtor atinge o nvel mximo

Liga-se uma bomba associada a esse tanque

Tanque produtor atinge o nvel mnimo

Desliga-se uma bomba associada a esse tanque

Tanque receptor atinge o nvel mximo

Desliga-se uma bomba do tanque produtor de menor nvel

Tanque receptor atinge o nvel mnimo

Liga-se uma bomba do tanque produtor de maior nvel

Duto atinge presso mxima

Desliga-se uma bomba a montante do duto

Duto atinge presso mnima

Liga-se uma bomba a montante do duto

Fluido atinge velocidade mnima em um duto

Liga-se uma bomba a montante do duto

Fluido atinge velocidade mxima em um duto

Desliga-se uma bomba a montante do duto

4.3.4 Operadores de reproduo direcionados

Operadores de reproduo direcionados propostos por Brasileiro (2005)

Em conjunto com os operadores tradicionais de cruzamento de um ponto e de mutao,


Brasileiro (2005) props utilizar, em um problema semelhante de escalonamento de bombas
de um sistema de escoamento de petrleo, operadores de reproduo inteligentes
denominados de mutao direcionada e cruzamento direcionado. Esses operadores utilizam
informaes referentes aos pontos de falha das solues para definir a posio de
recombinao ou de mutao e tentar gerar indivduos mais aptos e com mais chances de
viabilidade.

79

O cruzamento direcionado compara o ponto de falha dos dois cromossomos


selecionados para reproduo, toma a posio referente ao ponto de falha mais prematuro
entre os dois cromossomos, e realiza a permutao dois intervalos de atuao anteriores a esse
ponto de falha selecionado, conforme indicado na Figura 14. A deciso de retroceder duas
posies arbitrria e foi adotada por Brasileiro (2005) para tentar corrigir a falha no
cromossomo e aumentar as chances de gerar um descendente vivel. No entanto, o nmero de
intervalos a serem retrocedidos pode ser estimado em outro valor, inclusive considerando a
durao adotada para o intervalo de atuao. Aps o cruzamento, aplicada a mutao
tradicional em uma porcentagem de bombas de um intervalo de tempo escolhido
aleatoriamente.

Pai 1

Filho 1
0

PF

Pai 2

1
Filho 2

PF
Ponto de corte

Figura 14 Cruzamento direcionado proposto por Brasileiro (2005).

Quando o ponto de falha mais prematuro dos cromossomos selecionados para


reproduo ocorre nos dois primeiros intervalos de tempo, o cruzamento direcionado
substitudo pela mutao direcionada seguida de um cruzamento tradicional. Nesse caso, a
mutao direcionada inverte o estado de bombas em porcentagem estabelecida no primeiro
intervalo de tempo. A mutao direcionada seguida de um cruzamento tradicional tambm
ocorre quando os pontos de falha dos dois cromossomos selecionados para reproduo
estiverem situados no mesmo intervalo de tempo, sendo aplicada duas posies anteriores a
esse ponto de falha.

80

Operadores de reproduo direcionados propostos por Machado et al. (2005)

Uma mutao direcionada alternativa foi utilizada em Machado et al. (2005) para o
escalonamento de bombas em adutoras visando a otimizao de uma funo-objetivo de custo
de energia. A principal diferena entre os operadores de reproduo propostos por Brasileiro
(2005) e os definidos em Machado et al. (2005) reside na operao da mutao e na ordem de
aplicao dos operadores direcionados em conjunto com os operadores tradicionais.
A mutao direcionada alternativa possui duas peculiaridades bsicas: aplicada apenas
em alguns indivduos inviveis com ponto de falha diferente de zero (pois o intervalo de
atuao zero corresponde configurao inicial do sistema e imutvel) e a escolha dos
provveis bits, que sofrero mutao, baseada nos pontos de falha dos indivduos e no tipo
de alarme violado, servindo assim como uma espcie de reparo dos indivduos. Dessa forma
pretende-se tornar a mutao direcionada mais eficaz, pois, alm de se basear no ponto de
falha do cromossomo, sugere inverses nos bits ideais para o tipo de falha encontrado.
A mutao direcionada alternativa aplicada individualmente aos pais selecionados,
seguindo os critrios descritos na Tabela 10. A primeira coluna da tabela indica o tipo de
alarme encontrado no ponto de falha, a segunda coluna representa a posio do ponto de falha
no cromossomo; a terceira coluna, por sua vez, indica os bits nas quais a probabilidade de
mutao direcionada deve ser avaliada, e a quarta, por fim, indica o reparo a ser realizado
caso a probabilidade de mutao seja atendida.

Tabela 10 Critrios para aplicao da mutao direcionada alternativa.


Caso
1
2
3
4
5
6

Restrio violada (alarme)


Velocidade mxima ou presso mxima,
Velocidade mnima ou presso mnima
Nvel mximo do tanque receptor ou nvel
mnimo do tanque produtor
Nvel mximo do tanque receptor ou nvel
mnimo do tanque produtor
Nvel mximo do tanque produtor
Nvel mximo do tanque produtor ou nvel
mnimo do tanque receptor

Ponto de
falha
1
1

Bits avaliados

Ao

= 1 do PFI
= 0 do PF

Inverte para 0
Inverte para 1

1 ou 2

= 1 do PF

Inverte para 0

= 1 do PAFII

Inverte para 0

1 ou 2

= 0 do PF

Inverte para 1

= 0 do PAF

Inverte para 1

I intervalo de atuao do ponto de falha.


II intervalo de atuao que correspondente ao retrocesso de dois intervalos do ponto de falha.

81

Em cromossomos com alarmes de velocidade ou de presso no ponto de falha (Casos 1


e 2 da Tabela 10) a mutao direcionada vai atuar no prprio ponto de falha, invertendo os
valores dos bits 1 para 0, no caso de presso ou velocidade mxima, ou de 0 para 1, no caso
de presso ou velocidade mnima. Antes de cada inverso de bit avaliada a probabilidade de
mutao direcionada definida, atravs da gerao de uma porcentagem aleatria para cada bit
a ser avaliado; se a porcentagem for menor do que a probabilidade de mutao, a inverso
ser efetivada.
Se o alarme detectado for de nvel mximo ou mnimo (Casos 3 a 6 da Tabela 10), a
mutao direcionada dever atuar no intervalo de atuao que corresponde ao retrocesso de
dois intervalos do ponto de falha. O retrocesso adotado porque inverses de bits no prprio
ponto de falha no acarretaro mudanas no nvel nesse intervalo, que resultado do balano
hdrico do intervalo anterior e, portanto, da configurao das bombas do estado anterior. Caso
o ponto de falha seja o primeiro ou o segundo intervalo de atuao (Casos 3 e 5), a mutao
direcionada aplicada no prprio ponto de falha, o que, em casos especficos, pode solucionar
o alarme de nvel do tanque.
Um alarme de nvel mximo detectado no SmartPumping cada vez que o tanque
atinge o nvel mximo de controle e que a vazo de entrada do tanque superior vazo de
sada, o que indica que a tendncia provocar o transbordo. No entanto, caso a vazo de sada
seja maior do que a vazo de entrada, o alarme no detectado pois, teoricamente, a
configurao atual das bombas j est adequada. A mesma analogia feita para o alarme de
nvel mnimo. Desse modo, a atuao da mutao direcionada no prprio ponto de falha,
apesar de no ser ideal, pode eliminar o alarme de nvel de um tanque.
Nos operadores de reproduo propostos por Machado et al. (2005), a ordem de
aplicao dos operadores para gerao da nova populao foi modificada em relao
proposta por Brasileiro (2005). Afinal, tinha-se o objetivo de intensificar a ao da mutao
direcionada, que passa a ser aplicada tambm em todos os indivduos enviados para o
operador tradicional de cruzamento.
Na Figura 15, mostrado um fluxograma com a ordem de aplicao desses operadores
de reproduo. Dos indivduos selecionados para a reproduo, pares de cromossomos em
quantidade definida previamente seguem para o operador de cruzamento direcionado e os
demais para o operador tradicional de cruzamento de um ponto.

82

Pares p/
Cruzamento
direcionado

PF pais iguais, ou
PF + prematuro pais = 1 ou
2, ou
Pais viveis

NO

SIM

Indivduos
selecionados
Pares p/
Cruzamento
tradicional

Mutao
direcionada

Cruzamento
direcionado

Mutao
tradicional

Cruzamento
tradicional
Nova
populao

Figura 15 Fluxograma de aplicao dos operadores para gerao da nova populao.

Os pares enviados para o cruzamento tradicional so submetidos inicialmente ao


operador de mutao direcionada, para s ento ser aplicado o operador tradicional de
cruzamento. O fato de a mutao direcionada ser aplicada antes do cruzamento devido
utilizao, naquele operador, de informaes caractersticas do cromossomo, as quais so
perdidas aps qualquer alterao no mesmo.
Dos pares que seguem para o cruzamento direcionado, apenas alguns iro realmente
sofrer a ao desse operador. Aqueles pares cujos indivduos possuem pontos de falhas iguais,
ou cujo ponto de falha mais prematura entre os pais for igual a 1 ou 2, ou ainda os pares
compostos por solues viveis, seguiro a seqncia de operaes definidas anteriormente:
mutao direcionada seguida de cruzamento tradicional.
Finalmente, aps a aplicao do operador de cruzamento, seja ele direcionado ou
tradicional, todos os indivduos sofrem a atuao do operador tradicional de mutao bit a bit,
para enfim compor os indivduos da nova populao.

4.3.5 Descarte e reparo de indivduos inviveis

A regra de descarte desenvolvida por Brasileiro (2005) objetiva avaliar as solues


antes mesmo que a simulao da operao ocorra e fundamenta-se no descarte de solues

83

que resultem em alarmes de nvel mximo nos tanques produtores. A avaliao simples: a
partir da mnima vazo de entrada prevista para os tanques produtores, calcula-se o tempo
mximo necessrio para encher cada tanque, considerando o volume til dos mesmos, caso
todas as bombas associadas a ele estejam desligadas. As solues sero descartadas se
apresentarem as bombas associadas quele tanque desligadas por um nmero de intervalos de
atuao superior ou igual ao tempo de enchimento calculado atravs da Equao 40.

( NC max NC min ). AB
t min =

(Qemin .t )

Equao 40

onde:
t min o nmero mnimo de intervalos de atuao para violar a regra caso todas as bombas

conectadas ao tanque permaneam desligadas;


NCmax e NCmin so os nveis de controle do tanque, [m];
t a durao do intervalo de atuao, [s];
Qemin a mnima vazo de entrada no tanque durante o horizonte de operao, [m/s].

A regra de descarte ser introduzida no algoritmo multi-objetivo em dois lugares: 1) na


gerao da populao inicial, no qual novos indivduos sero gerados aleatoriamente para
substituir os indivduos descartados; e 2) aps a aplicao dos operadores de reproduo,
onde, caso seja detectada a violao da regra, novos pais sero selecionados para a
reproduo. Na gerao da populao inicial, ser estipulado o nmero mximo de tentativas
igual ao nmero de bits do cromossomo, para cada indivduo avaliado. Ultrapassado esse
valor mximo, caso o indivduo gerado aleatoriamente continue violando a regra de descarte,
mesmo assim ser introduzido na populao inicial. Na reproduo, o nmero mximo de
tentativas ser limitado a cinco. Caso o indivduo gerado persista violando a regra, os pais, no
caso do cruzamento, ou o indivduo original, no caso da mutao, sero introduzidos na nova
populao.
Alternativamente regra de descarte dever ser avaliada a regra de reparo, segundo a
qual, ao invs de descartar simplesmente, repara o indivduo que viola o critrio do nvel
mximo dos tanques produtores, ligando bombas em intervalos de atuao estratgicos para
evitar essa inviabilidade: ligam-se todas as bombas conectadas ao tanque a cada t min bits na
seqncia onde foi detectada a inviabilidade. Dessa forma, pretende-se agilizar a converso de

84

uma soluo invivel em uma soluo vivel, e diminuir o nmero de tentativas necessrias
para gerar uma populao.
A Figura 16 mostra o exemplo de atuao da regra de reparo em um indivduo cujo
tanque est conectado a trs bombas e possui t min igual a 3.

Figura 16 Exemplo de atuao da regra de reparo.

4.3.6 Reduo do conjunto final e escolha da soluo

O SPEA2, assim como a maioria dos mtodos evolucionrios multi-objetivo, utiliza


uma dimenso de populao externa geralmente em torno 100 indivduos para manter a boa
evoluo do mtodo e suprir a complexidade do problema. Na prtica, em uma otimizao de
um cenrio real, o usurio est interessado em um conjunto muito inferior de solues para
seu problema; segundo Deb (2001), na maioria dos casos, 5 a 10 solues finais so
suficientes. O que se espera do SPEA2 que, ao final da otimizao, toda ou boa parte da
populao externa esteja preenchida por indivduos no-dominados (nesse caso, nodominados viveis). Da a necessidade de adotar uma tcnica de reduo desse conjunto final
para um conjunto reduzido, ou uma nica soluo final, auxiliando a tomada de deciso do
usurio.

85

No presente trabalho, prope-se reduzir o conjunto de solues finais obtido


eliminando-se inicialmente as solues repetidas, as inviveis e as dominadas. Aps esse
tratamento inicial, sero removidas desse conjunto e alocadas em um conjunto final reduzido,
obrigatoriamente, as solues que representam os extremos mnimos globais de cada funoobjetivo. As demais solues escolhidas para preencher o conjunto reduzido, em um total de
cinco solues, devero ser representativas das solues que restaram, e ser adotada, como
recomendado por Deb (2001), a tcnica do algoritmo de agrupamento (Clustering Method),
utilizado em Zitzler e Thiele (1998), para escolh-las.
No algoritmo de agrupamento, inicialmente, cada soluo atribuda a um grupo
individual, e, a cada passo do algoritmo, so escolhidos os dois grupos com as mnimas
distncias entre seus elementos para formarem um grupo maior. A distncia entre dois grupos
( C k e C p ) dada pela mdia da distncia euclidiana de todos os pares de solues
pertencentes a cada um dos grupos ( l C k e C p ), ou matematicamente, conforme
Equao 41.

dc kp =

1
Ck C p

lCk , C p

Equao 41

onde:

l a distncia euclidiana entre o indivduos l , do grupo C k e o indivduo , do grupo C p ;


| . | representa a cardinalidade do conjunto, ou seja, o nmero de indivduos do grupo.

Quando a quantidade de grupos atingir o nmero de solues desejadas, a soluo que


estiver mais prxima do centride do grupo, ou seja, aquela que possuir a mnima distncia
para todas as outras solues do grupo, ser a escolhida para ser a representante do grupo.
Do conjunto final reduzido, caso seja necessrio escolher uma nica soluo para
aplicao no problema, pode-se utilizar uma das duas alternativas sugeridas a seguir. A
primeira consiste em normalizar os valores das funes-objetivo e calcular o valor da funo
ponderada (Equao 42) atribuindo os pesos desejados para cada objetivo. Ao final, a soluo
que possuir o mnimo valor da funo ponderada, ser a escolhida.

) (

) (

FPl = peso1 .FO1lNor + peso2 .FO 2 lNor + peso3 .FO3lNor

Equao 42

86

FO1lNor =

FO1l FO1mnimo
FO1mximo FO1mnimo

Equao 43

FO 2 lNor =

FO 2 l FO 2 mnimo
FO 2 mximo FO 2 mnimo

Equao 44

FO3lNor =

FO31 FO3mnimo
FO3mximo FO3mnimo

Equao 45

onde:
FPl o valor da funo ponderada para o indivduo l ;
peso1 , peso2 , peso3 so os pesos atribudos a cada funo-objetivo para ponderao;

FO1lNor , FO 2 lNor , FO3lNor so os valores normalizados das funes-objetivo para o indivduo


l;

FO1mnimo , FO2 mnimo , FO3mnimo so os valores mnimos para as funes-objetivo


considerando o conjunto final reduzido;
FO1mximo , FO2 mximo , FO3mximo so os valores mximos para as funes-objetivo
considerando o conjunto final reduzido.

Quando no se deseja priorizar qualquer objetivo em relao aos demais, prope-se


utilizar, em alternativa funo ponderada, um parmetro que busque uma soluo com
mnima variao entre todos os valores normalizados da funo-objetivo, sendo adotado nesse
trabalho o parmetro estatstico da varincia (Equao 46). Nesse caso, a soluo que possuir
o mnimo valor da varincia, ser a escolhida.

(FO
M

Varl =

Nor
f

FO f

f =1

Nor

M 1

Equao 46

onde:
Varl o valor da varincia dos valores normalizados das funes-objetivo do indivduo l ;
FO f

Nor

o valor normalizado da funo-objetivo f para o indivduo l ;

FO f

Nor

a mdia dos valores normalizados das funes-objetivo do indivduo l ;

M nmero de funes-objetivo utilizadas no processo de otimizao, na aplicao em


estudo, 3 funes.

87

4.4. Avaliao do modelo de otimizao multi-objetivo

4.4.1 Experimentos de avaliao

A avaliao do modelo de otimizao multi-objetivo e das alternativas propostas foi


realizada atravs de quatro etapas bem definidas. Na primeira etapa, foi realizada uma busca
exaustiva em uma rede piloto simplificada para avaliar todas as solues possveis de um
cenrio especfico e definir a fronteira Pareto. Na segunda etapa, foram avaliadas, na rede
piloto simplificada, todas as alternativas de incorporao da viabilidade no mtodo SPEA2 e
de utilizao de operadores genticos inteligentes, utilizando nessa avaliao, os resultados da
busca exaustiva. Tendo caracterizado o desempenho de cada alternativa metodolgica,
aquelas que obtiveram melhores resultados foram aplicadas em um problema real de
otimizao, no caso, a rede piloto definida, constituindo a terceira etapa deste trabalho.
Finalmente, a quarta etapa constitui na anlise da viabilidade de utilizao da melhor
combinao metodolgica, definida baseada nos resultados das etapas anteriores, em campo,
ou seja, considerando a restrio temporal como critrio de parada do algoritmo.

Primeira etapa: Busca exaustiva

A busca exaustiva um mtodo enumerativo que consiste em realizar uma varredura


completa de todas as solues possveis do espao de busca. Portanto, no escalonamento de
bombas em uma rede com a dimenso da rede piloto, que possui 6 bombas, em uma operao
tpica de 24 horas, adotando-se um intervalo de atuao de 60 minutos, tem-se um total de
2,23x1043 solues (dado por 2 6bombas x 24 int ervalos ). Torna-se invivel, portanto, a utilizao dessa
metodologia.
Para que seja possvel a avaliao da eficcia e eficincia do mtodo de otimizao e
das alternativas propostas atravs da definio da fronteira Pareto, a rede piloto foi
simplificada atravs da converso das duas bombas de cada estao em uma apenas,
mantendo-se a mesma previso da produo e os limites de operaes da rede. A converso
das bombas feita dividindo-se o coeficiente b da curva caracterstica de cada bomba por
dois. Desse modo, uma bomba ligada na rede piloto simplificada equivale a duas bombas
ligadas na rede piloto.

88

A rede piloto simplificada para a busca exaustiva est representada na Figura 17, na
qual foram tomadas como condies iniciais de simulao o nvel dos tanques produtores
igual a 3,00 m, o nvel do tanque receptor igual a 6,00 m e apenas a bomba da estao de
Lorena ligada.

Figura 17 Modelagem da rede piloto simplificada para busca exaustiva.

A busca exaustiva foi realizada para um horizonte de operao de 12 horas, com


intervalos de atuao de 2 horas e intervalos de clculo de 30 minutos. O incio da simulao
foi s 09:00h, estendendo-se, portanto, at s 21:00h, o que permite abranger os horrios de
ponta e fora de ponta de energia eltrica. As simulaes foram realizadas para um dia til do
perodo seco. O espao de busca para esse cenrio composto de 262.144 solues possveis
dado por 2 3bombas x 6 int ervalos .
Aps aplicao da busca exaustiva, foi possvel extrair algumas informaes do espao
de busca do cenrio, como a porcentagem de indivduos viveis, e, dentre esses, a
porcentagem dos indivduos no-dominados, que so componentes da fronteira Pareto. A
partir dessas informaes, foi possvel avaliar a complexidade do cenrio adotado para ento
aplicar o mtodo de otimizao e as alternativas propostas, e avaliar o desempenho da
metodologia.

Segunda etapa: Experimentos sobre a rede piloto simplificada

Inicialmente foi avaliado o desempenho do algoritmo original do SPEA2 considerando


a inviabilidade dos indivduos unicamente na seleo por torneio. Seu desempenho foi

89

comparado com as duas formas de avaliao da populao do SPEA2 propostas para incluso
do conceito de viabilidade associado com o conceito de dominncia, considerando-se
inicialmente as relaes de dominncia (Figura 11, pg. 75) ou o conceito de viabilidade
(Figura 12, pg. 75). Dessa anlise preliminar, pretende-se escolher uma metodologia base na
qual dever ser introduzida cada uma das alternativas descritas para o mtodo (operadores
direcionados e regra de descarte/reparo dos indivduos). O Quadro 5 mostra a descrio de
cada uma das metodologias avaliadas nesta etapa.
Cada metodologia foi aplicada 30 vezes na rede piloto simplificada6, com critrio de
parada igual a encontrar todas as solues da fronteira Pareto ou, caso no encontre, adotado
como nmero mximo de gerao um valor que permita avaliar aproximadamente a mesma
quantidade de indivduos do espao de busca do problema (262.144). Logo, para a populao
adotada de 30 indivduos, foi utilizado um nmero mximo de geraes igual a 8.800.

Quadro 5 Metodologias avaliadas na otimizao da rede piloto simplificada.


Metodologia
Metodologia A

Descrio
Mtodo SPEA2 original; seleo por torneio considerando o conceito de viabilidade;
utilizao do seeding com calculador de soluo vivel.
Mtodo SPEA2 original; seleo por torneio considerando o conceito de viabilidade;

Metodologia B

utilizao do seeding com o calculador de soluo vivel; preenchimento da


populao externa considerando os conceitos de viabilidade e dominncia como
esquematizado na Figura 11.
Mtodo SPEA2 original; seleo por torneio considerando o conceito de viabilidade;

Metodologia C

utilizao do seeding com o calculador de soluo vivel; preenchimento da


populao externa considerando os conceitos de viabilidade e dominncia como
esquematizado na Figura 12.

Metodologia 1

Mtodo Base (o de melhor desempenho entre as Metodologias A, B ou C) com


excluso da tcnica de seeding.
Mtodo Base com substituio do mtodo de seleo por torneio pelo mtodo de

Metodologia 2

seleo SUS, considerando o conceito de viabilidade com ordenamento linear da


funo de aptido.
Mtodo Base com utilizao do descarte dos indivduos que provocam alarmes de

Metodologia 3

nvel mximo dos tanques produtores na gerao da populao inicial e na


reproduo.

Nos trabalhos correlatos as repeties variam entre 10 e 30 para cada metodologia. Optou-se por 30 por ser
considerado estatisticamente uma grande amostra (SPIEGEL, 1977), cujos resultados podem ser analisados
atravs de uma distribuio normal.

90

Metodologia

Descrio
Mtodo Base com utilizao do descarte dos indivduos que provocam alarmes de

Metodologia 4

nvel mximo nos tanques produtores na gerao da populao e reparo desses


indivduos durante a reproduo.
Mtodo Base com utilizao dos operadores direcionados definidos por Brasileiro

Metodologia 5

(2005) em conjunto com os operadores tradicionais, na proporo de 70%


direcionados x 30% tradicionais.
Mtodo Base com utilizao dos operadores direcionados definidos por Machado et

Metodologia 6

al. (2005) em conjunto com os operadores tradicionais, na proporo de 70%


direcionados x 30% tradicionais.
Mtodo Base com utilizao dos operadores direcionados definidos por Brasileiro

Metodologia 7

(2005) em conjunto com os operadores tradicionais, na proporo de 30%


direcionados x 70% tradicionais.
Mtodo Base, utilizao dos operadores direcionados definidos por Machado et al.

Metodologia 8

(2005) em conjunto com os operadores tradicionais, na proporo de 30%


direcionados x 70% tradicionais.

Terceira etapa: Experimentos sobre a rede piloto

Aps avaliar o desempenho de cada metodologia aplicada na rede piloto simplificada,


foram adotadas as que mais se destacaram para aplicao na rede piloto, momento em que se
realizou a terceira etapa do presente trabalho. Ou seja, as primeiras etapas, nas quais a anlise
se deu em uma rede simplificada, representou uma espcie de filtro, sobre o qual foi realizada
toda a anlise estatstica para seleo das metodologias mais indicadas para aplicao em uma
rede real.
A operao a ser otimizada na rede piloto ocorreu durante um horizonte de 24 horas
com intervalo de clculo de 30 minutos, intervalo de atuao de 1 hora e incio s 00:00h, no
mesmo dia utilizado na rede piloto simplificada, e utilizando a mesma previso da produo e
restries operacionais.
A granularidade do intervalo de atuao em 1 hora foi adotada por ser a mais
freqentemente utilizada nos trabalhos correlatos e por ser considerada praticvel para a rede
piloto, onde o tempo mnimo de enchimento dos tanques superior a 5 horas. Quanto ao
intervalo de clculo, simulaes foram executadas mantendo-se todas as bombas ligadas por
um perodo de 24 horas com intervalos de clculo de 5 minutos e de 30 minutos, e o
somatrio da diferena percentual dos nveis dos tanques, entre as simulaes, foi inferior a
0,5%. Logo, foi adotado o intervalo de clculo maior, o qual proporciona um melhor

91

desempenho computacional sem prejuzos significativos para os resultados. As condies


iniciais do sistema so: nveis dos tanques produtores iguais a 3,00 m, nvel do tanque
receptor igual a 6,00 m e uma bomba de cada estao ligada.
Foi adotada, tanto para a aplicao na rede piloto simplificada quanto na rede piloto,
dimenso de populao igual a 1,67 vezes o nmero de bits do cromossomo, valor contido no
intervalo considerado satisfatrio por Alander (1992), ou seja, entre uma e duas vezes o
nmero de bits do cromossomo. Desse modo, uma vez que o tratamento estatstico tenha sido
realizado nos resultados da rede piloto simplificada e servido de base para a definio do
critrio de parada das aplicaes na rede piloto, considerou-se suficiente apenas duas
execues de cada metodologia escolhida para a rede piloto.

Quarta etapa: Experimentos na rede piloto com restrio temporal

Uma vez selecionada a melhor combinao de metodologias a ser aplicada em


problemas de dimenso real, foram conduzidos novos experimentos considerando a restrio
temporal para verificar a viabilidade da utilizao efetiva desta metodologia na operao de
uma rede de escoamento de petrleo.
Para aplicar o problema operacionalmente em campo, o critrio de parada foi restrito a
um valor no mximo igual ao intervalo de atuao, adotado em 1 hora, para que fosse possvel
aplicar a soluo fornecida pelo modelo de otimizao, a cada nova atuao no sistema. Desse
modo, utilizou-se um critrio de parada de 55 minutos, ficando 5 minutos de folga para
permitir que o algoritmo encerre a populao que est sendo avaliada no momento em que se
atingiu o critrio de parada.
Sabe-se que o maior tempo de processamento gasto com a metodologia exposta se
refere ao processo de simulao hidrulica. Desse modo, a populao do algoritmo ser
diminuda para permitir a avaliao de um nmero maior de geraes no pouco tempo
disponvel.
O SmartPumping permite paralelizar o algoritmo gentico enviando para diversas
mquinas de uma grade computacional7 a tarefa de simular cada cromossomo (GALVO et
al., 2004a). Esse recurso foi utilizado nos experimentos das etapas anteriores sem, contudo,
7

Todos os experimentos dessa pesquisa foram conduzidos utilizando o software OurGrid, verso 3.2.1. Esse
software livre, desenvolvido pela UFCG em parceria com a Hewlett-Packard do Brasil, e pode ser obtido em
http://www.ourgrid.org.

92

restringir os tipos e a quantidade de mquinas utilizadas. E como se pretende avaliar a


qualidade das solues encontradas com tempo e recursos computacionais reduzidos, os
experimentos da quarta etapa utilizaram uma grade computacional composta de quatro
computadores iguais (Caractersticas: 1.024 RAM, HD 160GB, INTEL PENTIUM 4 HT,
CPU 3.00GHz, Sistema operacional Linux Debian Sarge).
A Tabela 11 mostra um resumo dos parmetros do algoritmo gentico utilizados nas
aplicaes na rede piloto e na rede piloto simplificada. Em todas as aplicaes, foram
utilizadas as trs funes-objetivo definidas, sendo adotada para a funo-objetivo 3 a
minimizao do valor de BS&W no interior do tanque da estao de Upanema (considerando
como desejvel o valor de 10%) e considerada a funo de variao absoluta com valor de
igual a 1.

Tabela 11 Parmetros do algoritmo gentico.

Parmetro
Dimenso da populao
Dimenso da populao externa
Critrio de parada
Execues de cada mtodo
Probabilidade de cruzamento (tradicional e
direcionado)
Probabilidade de mutao no bit II (tradicional)
Probabilidade de mutao no bit II (direcionada)
Probabilidade de mutao no intervaloIII
(tradicional)
Porcentagem de bombas mutadas na mutao
por intervaloIII (tradicional e direcionada)

Rede piloto
simplificada

Rede piloto

30
30
Encontrar a
fronteira Pareto
ou 8.800
geraes
30

240
240
Nmero de
geraes a
definirI

55 minutos

90%
5%
20%
30%
10% ou 1 bomba

I definido atravs dos resultados obtidos na rede piloto simplificada.


II utilizada nos operadores de reproduo definidos por Machado et al. (2005).
III utilizada nos operadores de reproduo definidos por Brasileiro (2005).

Rede piloto com


restrio
temporal
50 e 100
50 e 100

93

4.4.2 Mtricas de desempenho para as metodologias aplicadas sobre a


rede piloto simplificada

Os resultados de um mtodo de otimizao devem atender a trs requisitos bsicos:


eficincia, eficcia e diversidade. A eficincia e a eficcia so comuns a qualquer mtodo de
otimizao, e consistem, respectivamente, na capacidade de encontrar uma resposta rpida
para o problema, e na capacidade de encontrar a (ou se aproximar da) soluo tima global, a
qual composta de mltiplas solues da fronteira Pareto, no caso da otimizao ser multiobjetivo.
A diversidade um objetivo prprio dos mtodos multi-objetivo, e a habilidade de
encontrar um conjunto de solues to diversas quanto possvel, para que se garanta que esse
conjunto tenha boas solues de compromisso para todos os objetivos.
Para avaliar o desempenho das metodologias aplicadas na rede piloto simplificada,
foram utilizadas as mtricas definidas a seguir.

Mtrica de desempenho 1

Realiza-se segundo o nmero de geraes necessrias para encontrar uma soluo da


fronteira Pareto. Cada uma das 30 execues das metodologias ser classificada como falha
se no conseguir encontrar nenhuma soluo da fronteira Pareto real ao final da otimizao.
Ao final das execues, ser definida a proporo de sucessos da metodologia, e, nos casos de
sucesso, a mdia do nmero de geraes necessrias para encontrar uma soluo qualquer da
fronteira Pareto.

Mtrica de desempenho 2

Constitui-se do nmero de geraes necessrias para encontrar as solues da fronteira


Pareto que correspondem aos extremos mnimos das funes-objetivo. A execuo ser
classificada como falha se no conseguir encontrar, ao final da otimizao, ao menos uma
soluo extrema mnima de cada funo-objetivo. Ao final das execues, ser definida a
proporo de sucessos da metodologia e a mdia das solues extremas encontradas. Apenas
nos casos de sucesso, dever ser calculada a mdia do nmero de geraes necessrias para
encontrar as solues extremas.

94

Mtrica de desempenho 3

D-se a partir do nmero de solues da fronteira Pareto real encontradas no final da


otimizao. A execuo ser classificada como falha se no conseguir encontrar 100% da
fronteira Pareto, ao final da otimizao. Terminadas as execues, ser definida a proporo
de sucessos de cada metodologia e a mdia do nmero de solues encontradas ao final da
otimizao. Apenas nos casos de sucesso, dever ser calculada a mdia do nmero de
geraes necessrias para encontrar a fronteira Pareto.

Mtrica da disperso dos resultados

A mdia uma medida de tendncia central que no considera a influncia da disperso


das variveis, a qual deve ser avaliada por outras medidas estatsticas como o desvio padro, a
varincia, o coeficiente de variao, entre outras. A disperso dos resultados para uma
metodologia deve ser considerada, auxiliando a anlise dos resultados, por permitir que, na
comparao de metodologias com mdias semelhantes ou pouco variveis, seja possvel
priorizar aquela em que seus resultados so mais homogneos, ou seja, possuem pouca
disperso em relao mdia.
Neste trabalho, definido o intervalo de confiana de todas as mdias analisadas, para
um nvel de confiana de 95%, o qual define um intervalo em que, em qualquer execuo
posterior da metodologia, pode-se esperar com 95% de certeza que a varivel considerada
estar nesse intervalo.
O intervalo de confiana para a mdia de uma amostra com um nvel de confiana de
95% pode ser dado pela Equao 47 quando a amostra considerada de distribuio normal, o
que geralmente ocorre quando sua dimenso maior ou igual a 30 (SPIEGEL, 1977). Neste
trabalho, a amostra tomada o nmero de repeties para cada mtodo.

IC ( ,95% ) = x 1,96

DP
n

Equao 47

onde:
IC ( ,95% ) so os limites de confiana da mdia populacional, a um nvel de 95% de

confiana;
x a mdia amostral;

95

n a dimenso da amostra;

DP o desvio padro da populao, o qual pode ser aproximado pelo desvio padro amostral
quando a amostra tiver dimenso igual ou superior a 30.

As mdias do nmero de geraes, nas trs mtricas de desempenho, so definidas


considerando-se apenas as execues que obtiveram sucesso. Ento, se ao menos uma
execuo no tiver obtido sucesso, o tamanho da amostra ser inferior a 30 e, portanto,
considerada como uma pequena amostra. Nesses casos, deve-se utilizar a distribuio de
Student para definir o intervalo de confiana da mdia amostral com um nvel de significncia
de 95%, dado pela Equao 48.

IC ( ,95% ) = x st

S
n 1

Equao 48

onde:
st o coeficiente de Student, varivel com a dimenso da amostra;
S o desvio padro da amostra.

4.4.3 Mtricas de desempenho para as metodologias aplicadas sobre a


rede piloto

Como no se tem informaes sobre as solues da fronteira Pareto para as simulaes


da rede piloto, foram definidas mtricas de desempenho que independem dessa informao,
aqui denominadas: 1) Mtrica de convergncia; 2) Mtrica de diversidade; e 3) Mtrica de
otimizao.

Mtrica de convergncia

Quando no se tem informao sobre as solues reais da fronteira Pareto, uma mtrica
utilizada para comparar a eficincia da convergncia entre otimizaes distintas, consiste em
calcular a proporo das solues no-dominadas encontradas em uma otimizao que
dominam as solues no-dominadas encontradas em outra otimizao, a qual caracteriza-se

96

como uma mtrica de anlise binria. Com isso, tendo cada otimizao fornecido um conjunto
de solues de compromisso (no-dominadas viveis) para o problema, todas essas solues
sero armazenadas em um nico conjunto e, desse conjunto, sero extradas apenas as
solues no-dominadas. Portanto, o mtodo que tiver encontrado o maior nmero dessas
solues no-dominadas do conjunto total ser considerado de melhor desempenho nesta
mtrica.

Mtrica de diversidade

Schott (1995 apud Deb, 2001) sugere uma mtrica de diversidade baseada no
espaamento entre as solues, que calcula a distncia relativa mdia entre solues
consecutivas no conjunto no-dominado obtido, dada pela Equao 49. Quando as solues
so uniformemente espaadas, essa medida de diversidade ser igual a zero. A metodologia,
cujo conjunto de solues viveis no-dominadas obtiver o menor valor desta mtrica, ser
considerado de melhor desempenho com respeito diversidade entre as solues encontradas.

PV *

MS =

1
. md l md
PV * l =1

Equao 49

onde:
MS o valor da mtrica de espaamento;

PV * o conjunto de solues no-dominadas viveis;

md l a medida de distncia do indivduo l , dada pelo mnimo valor da soma da diferena


absoluta dos valores das funes-objetivo entre a soluo l e qualquer outra soluo do
conjunto PV * ;
md a mdia das medidas de distncias de todos os indivduos do conjunto PV * .

Mtrica de otimizao

A mtrica de otimizao das funes-objetivo ser representada atravs dos valores


mnimos obtidos para cada funo-objetivo no final da otimizao. O mtodo que obtiver os
menores valores de funes-objetivo no final da otimizao ser considerado de melhor
desempenho nessa mtrica.

97

4.5. Processo de desenvolvimento do mtodo

O processo de desenvolvimento do software SmartPumping conduzido atravs de uma


metodologia denominada Extreme Programming XP (BECK, 1999), a qual, dentre outros
princpios, enfatiza a participao direta e contnua do usurio final, que especifica as
funcionalidades e elabora os testes de aceitao para os produtos em desenvolvimento. A
especificao o processo de detalhamento do algoritmo a ser implementado enquanto que o
teste de aceitao define os critrios de aceitao necessrios para que o produto seja
considerado apto para ser utilizado e abrange, seno todos, a maioria dos casos possveis em
que o produto ser utilizado.
O desenvolvimento do mtodo de otimizao utilizado nessa pesquisa foi conduzido
atravs da especificao do algoritmo e realizao dos testes de aceitao, pela autora, e
implementao na linguagem de programao JAVATM pela equipe de desenvolvimento do
projeto SmartPumping. Essa equipe composta por quatro membros, responsveis pelo
desenvolvimento do software, o qual, atualmente possui aproximadamente 166.709 linhas de
cdigo com 26% dessas linhas correspondente ao cdigo da ferramenta de otimizao.
Interaes contnuas entre a equipe de desenvolvimento e a autora, inclusive com
contribuio de ambas as partes nas etapas de especificao do mtodo e de sua
implementao, possibilitaram a definio de uma metodologia mais elaborada e na
ampliao das possibilidades de combinaes das tcnicas avaliadas.

98

5. Resultados e discusso

5.1. Espao de busca do problema


A anlise do espao de busca com os resultados da busca exaustiva sobre a rede piloto
simplificada indicou um cenrio onde 99,69% das solues so inviveis. No conjunto de
solues viveis, de um total de 812 solues, apenas 44 so no-dominadas (5,42% das
viveis) e, portanto compem a fronteira Pareto do cenrio (Grfico 1).

812
44
768

261332

Inviveis

Viveis dominados

Viveis no dominados

Grfico 1 Caracterizao do espao de busca para a rede piloto simplificada.

As solues inviveis possuem em mdia 19 alarmes, sendo que o primeiro alarme


ocorre, em mdia, no primeiro intervalo de atuao e principalmente de nvel mnimo dos
tanques (41,66%). A Tabela 12 a seguir mostra os resultados referentes aos pontos de falha
dos indivduos inviveis, onde se pode observar que 62,69% destas solues possuem ponto
de falha no primeiro intervalo de atuao, com essa porcentagem decrescendo gradativamente
at atingir 0,12% dos indivduos com ponto de falha no sexto e ltimo intervalo de atuao.
Os demais alarmes identificados no ponto de falha dessas solues so de presso mxima
(39,08%) e de nvel mximo nos tanques (19,27%).

99

Tabela 12 Caracterizao dos pontos de falha das solues inviveis.


Caracterstica
Posio
AlarmeI

1
62,69
Nmax
19,27

2
25,08
Nmin
41,66

% do total
3
4
8,03
3,31
Pmax
Pmin
39,08
0,00

5
0,77
Vmax
0,00

6
0,12
Vmin
0,00

I: Nmax nvel mximo, Nmin nvel mnimo, Pmax presso mxima, Pmin presso mnima, Vmax
velocidade mxima, Vmin velocidade mnima.

O Grfico 2 mostra a distribuio dos indivduos viveis e inviveis entre as 262.144


solues do espao de busca com as solues ordenadas no sistema de numerao binrio. A
soluo de ndice 1 corresponde ao cromossomo que mantm todas as bombas desligadas
durante todo o horizonte de operao (000000000000000000) e a de ndice 262.144 ao
cromossomo que mantm todas as bombas ligadas (1111111111111111111).

Grfico 2 Distribuio das solues no espao de busca.

Apesar do cenrio avaliado apresentar uma capacidade de bombeio superior produo


dos poos e atender demanda da estao final, observou-se uma alta incidncia de
indivduos inviveis e uma alta porcentagem do ponto de falha desses indivduos no primeiro
intervalo de atuao. Isso ocorre justamente devido capacidade de bombeio ser superior

100

produo dos poos. Logo, solues que mantm essas bombas ligadas por um perodo de
tempo elevado acarretam o esvaziamento dos tanques produtores e o eventual enchimento do
tanque receptor. Alm disso, se todas as bombas forem ligadas no mesmo intervalo, pode
ocasionalmente provocar alarmes de presso mxima no sistema. Essa anlise se comprova
nos resultados obtidos, nos quais os alarmes detectados no ponto de falha so de nvel dos
tanques e de presso mxima, e nos quais todas as solues viveis do sistema so
encontradas at a soluo de ndice 150.000, portanto, mantendo as bombas ligadas durante
menos tempo.
O Grfico 3 mostra os valores das trs funes-objetivo avaliadas no espao de busca,
onde se observa sub-conjuntos bem definidos de solues viveis e bem distribudos entre as
solues inviveis. As solues inviveis apresentam valores mnimos de funes-objetivo de
0,0795 R$/m para o objetivo 1, 0 chaveamentos para o objetivo 2, e uma variao acumulada
de BS&W no tanque receptor de 15,48 %; e valores mximos de 0,4092 R$/m, 9
chaveamentos e variao acumulada de BS&W de 181,47 %. Entre as solues viveis, os
valores mnimos so maiores em relao s inviveis, possuindo no entanto, uma variao
menor entre si, estando concentradas nas regies inferiores das funes-objetivo (mnimos:
0,0875 R$/m, 4 chaveamentos e variao de BS&W de 22,31 %; mximos de 0,1155 R$/m,
9 chaveamentos e variao de BS&W de 60,21 %).

Grfico 3 Valores de funes-objetivo das solues do espao de busca.

101

A distribuio das solues viveis no espao de busca mostrada no Grfico 4 a


seguir, com destaque para as solues da fronteira Pareto (viveis no-dominadas), da soluo
obtida atravs do calculador de soluo vivel, que, apesar de ser vivel, dominada, e das
solues que representam o mnimo vivel de cada funo-objetivo no espao de busca.
Assim como as solues viveis em relao s inviveis, no conjunto de solues viveis, as
solues no-dominadas esto bem distribudas na fronteira em relao s dominadas. Isto
justifica a utilizao de um mtodo de otimizao robusto como o algoritmo gentico, que
possui como uma de suas principais vantagens a capacidade de percorrer simultaneamente
pontos distintos do espao de busca.

MinFO3

20000

40000

MinFO2

60000

80000

MinFO1

100000 120000 140000 160000

ndice da soluo
Viveis

Viveis no dominados

Soluo do CSV

Grfico 4 Distribuio das solues viveis no espao de busca.

Na Tabela 13, vide pgina 103, so mostrados o ndice, o cromossomo e os valores das
funes-objetivo de todas as solues da fronteira Pareto. Algumas solues podem
apresentar valores idnticos para cada funo-objetivo, contudo, com cromossomos
diferentes. Isso ocorre porque, no ltimo intervalo de clculo no SmartPumping, o clculo do
consumo de energia e a regra da mistura nos tanques so resultados do intervalo de clculo
anterior. Portanto, a programao das bombas para o ltimo intervalo no interfere nesses
resultados, fazendo com que, para cada valor das funes-objetivo 1 e 3 haja seis
cromossomos distintos. Exceo ser feita na funo-objetivo 1, se o mximo valor de
demanda de energia estiver no ltimo intervalo de clculo, e por ser essa uma propriedade

102

pontual, considerada no clculo tarifrio do prprio intervalo. A funo-objetivo 2, nmero


de chaveamentos, naturalmente, sofre a influncia dos bits do ltimo intervalo de clculo.
Agrupando as solues da fronteira Pareto que apresentam valores iguais para os trs
objetivos, restam 18 grupos de solues no-dominadas viveis, os quais sero considerados
na anlise da eficcia e da eficincia das metodologias analisadas. O mtodo ser considerado
totalmente eficaz se conseguir encontrar, no final da otimizao, uma soluo representante
de cada um desses 18 grupos; a eficincia ser medida na rapidez com que solues distintas
da fronteira Pareto (de grupos diferentes) so encontradas, e a diversidade ser avaliada pela
capacidade de encontrar solues bem distribudas no espao de busca, conforme as mtricas
de desempenho definidas.
O Grfico 5 mostra os valores das funes-objetivo das solues viveis, onde se pode
visualizar, bem definida, a fronteira Pareto.

Grfico 5 Funes-objetivo das solues viveis no espao de busca.

103

Tabela 13 Funes-objetivo das solues da fronteira Pareto da rede piloto simplificada.


Grupos
Grupo 1

Grupo 2

Grupo 3

Grupo 4

Grupo 5

Grupo 6
Grupo 7
Grupo 8
Grupo 9
Grupo 10
Grupo 11
Grupo 12

Grupo 13

Grupo 14

Grupo 15

Grupo 16
Grupo 17
Grupo 18

Cromossomo
001100011100010000
001100011100010010
001100011100011000
001100011100011001
001100011100011010
001100011100011011
001100011100110000
001100011100110010
001100110001011000
001100110001011001
001100110001011010
001100110001011011
001100110010011000
001100110010011001
001100110010011010
001100110010011011
001100110011001000
001100110011001001
001100110011010000
001100110011010010
001100110011100000
001110100011010000
001110100011010010
100001011100010000
100001011100010010
100001011100110000
100001011100110010

ndice
50961
50963
50969
50970
50971
50972
50993
50995
52313
52314
52315
52316
52377
52378
52379
52380
52425
52426
52433
52435
52449
59601
59603
136977
136979
137009
137011

FO1
0,0937
0,0937
0,0989
0,0989
0,0989
0,0989
0,0968
0,0968
0,1041
0,1041
0,1041
0,1041
0,0936
0,0936
0,0936
0,0936
0,1043
0,1043
0,0936
0,0936
0,0967
0,0938
0,0938
0,0939
0,0939
0,0970
0,0970

100001011110100000
100001011110110000
100001011110110010
100001011110110100
100001011110110110
100011011100010000
100011011100010010
100011011100011000
100011011100011001
100011011100011010
100011011100011011
100011011100110000
100011011100110010
100011100011010000
100011100011010010
100011100011110000
100011100011110010

137121
137137
137139
137141
137143
145169
145171
145177
145178
145179
145180
145201
145203
145617
145619
145649
145651

0,0972
0,0969
0,0969
0,0969
0,0969
0,0875
0,0875
0,0926
0,0926
0,0926
0,0926
0,0909
0,0909
0,0900
0,0900
0,0931
0,0931

FO2
6
6
7
7
7
7
6
6
5
5
5
5
4
4
4
4
4
4
4
4
5
5
5
5
5
5
5

FO3
28,34
28,34
22,31
22,31
22,31
22,31
23,02
23,02
23,72
23,72
23,72
23,72
49,28
49,28
49,28
49,28
28,62
28,62
41,58
41,58
29,04
39,32
39,32
29,77
29,77
24,60
24,60

4
4
4
4
4
5
5
6
6
6
6
5
5
6
6
7
7

29,63
36,40
36,40
36,40
36,40
45,17
45,17
39,57
39,57
39,57
39,57
40,27
40,27
40,42
40,42
35,24
35,24

104

O Grfico 6 mostra um exemplo da aplicao dos critrios de escolha de uma soluo


final, como definido anteriormente, selecionando a soluo com menor valor ponderado dos
objetivos (considerando pesos iguais) ou a soluo com menor varincia entre os objetivos.
Percebe-se que os valores ponderados apresentaram pouca variao entre si, sendo a soluo
do grupo 12 a que contm o mnimo parmetro considerando esse critrio. No critrio de
menor varincia, a soluo recomendada a do grupo 10. Pode-se observar que o melhor
parmetro quando se consideram todos os objetivos com a mesma importncia o critrio da
varincia, uma vez que a soluo do grupo 12 a nica que apresenta, para todos os objetivos,

Valor normalizado das funes objetivo

valores normalizados inferiores a 0,40.

1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1

10

11

12

13

14

15

16

17

18

Solues distintas da fronteira Pareto


Funo objetivo 1

Funo objetivo 2

Funo objetivo 3

Objetivos ponderados

Varincia dos objetivos

Grfico 6 Caracterizao das solues da fronteira Pareto.

A anlise do espao de busca, mesmo em uma rede simplificada e para um cenrio


especfico, possibilita concluir que:

A porcentagem de indivduos inviveis no espao de busca do problema

considervel, logo no devem ser totalmente descartados sob o risco de impossibilitar a


evoluo do algoritmo gentico;

Os indivduos viveis esto distribudos em grupos no espao de busca, portanto

deve-se utilizar alternativas que facilitem a varredura no espao de solues;

105

Os indivduos inviveis geralmente dominam os indivduos viveis, logo,

justificvel utilizar o conceito de viabilidade em conjunto com o conceito de


dominncia para impedir que o resultado da otimizao seja composto de solues no
aplicveis;

Quando no se tem preferncia entre os objetivos, uma boa alternativa para

escolha da soluo final a soluo que apresenta a menor varincia entre todos os
valores normalizados dos seus objetivos.

5.2. Aplicao sobre a rede piloto simplificada

5.2.1 Avaliao das alternativas de preenchimento da populao externa

Resultados

As tabelas 14 a 16 mostram um resumo das mtricas de desempenho para as


metodologias A, B e C.

Tabela 14 Mtrica de desempenho 1 para as metodologias A, B e C.


Mtrica de
desempenho 1
Metodologia A
Metodologia B
Metodologia C

% Sucesso

Mdia gerao

13,33
100,00
100,00

5,50
11,07
10,83

ICI gerao
Mnimo

Mximo
2,90
8,97
9,31

8,10
13,17
12,36

I intervalo de controle para um nvel de confiana de 95%.

Tabela 15 Mtrica de desempenho 2 para as metodologias A, B e C.


Mtrica de
desempenho 2
Metodologia A
Metodologia B
Metodologia C

%
Sucesso
0,00
20,00
56,67

Mdia
soluo
0,00
1,23
2,37

Mdia
gerao
3.637,00
788,94

IC soluo
Mnimo
Mximo
0,00
0,00
1,03
1,44
2,11
2,62

IC gerao
Mnimo
Mximo
999,13
6.274,87
120,87
1.457,01

106

Tabela 16 Mtrica de desempenho 3 para as metodologias A, B e C.


Mtrica de
desempenho 3
Metodologia A
Metodologia B
Metodologia C

%
Sucesso
0,00
0,00
10,00

Mdia
soluo
0,00
3,73
9,67

Mdia
gerao
479,00

IC soluo
Mnimo
Mximo
0,00
0,00
3,24
4,23
8,54
10,80

IC gerao
Mnimo
Mximo
271,02
686,98

A evoluo para a fronteira Pareto pode ser avaliada atravs do Grfico 7, que mostra a
porcentagem acumulada da fronteira Pareto por gerao nas metodologias analisadas,
considerando o valor mdio das 30 execues. Atravs da anlise das primeiras 100 geraes,
pode ser observada a rapidez da evoluo no incio da otimizao.

Porcentagem acumulada da fronteira


Pareto

70%
60%
50%
40%
30%
70%
60%

20%

50%

10%

40%
30%

0%
0

1100

2200

3300

4400

5500

6600

7700

Geraes
Metodologia A

Metodologia B

8800

20%
10%

Metodologia C

0%
0

25

50

75

100

Grfico 7 Evoluo para a fronteira Pareto das metodologias A, B e C.

A Metodologia A mostrou-se inadequada ao problema por no conseguir convergir para


a regio de viabilidade. Na mtrica de desempenho 1, a metodologia apenas obteve sucesso
em 13,33% das execues, encontrando uma soluo da fronteira Pareto em apenas quatro das
30 execues, e na mtrica de desempenho 2 no obteve sucesso em 100,0% das execues.
As solues da fronteira Pareto que foram encontradas, bem como a soluo vivel definida
pelo calculador de soluo vivel e inserida por seeding, so perdidas por serem dominadas
pelas solues inviveis, dado que, no final da otimizao, no h nenhuma soluo da
fronteira Pareto na populao externa em 100,0% das execues.
A Metodologia B apresentou uma rpida convergncia para a regio de viabilidade,
encontrando uma soluo da fronteira, em mdia, com 11,0 geraes. No entanto, essa

107

metodologia no apresentou comportamento estvel, pois as solues da fronteira so


perdidas ao longo da evoluo. Como pode ser observado no Grfico 7 (pg. 106), houve uma
grande oscilao na porcentagem da fronteira Pareto encontrada, chegando ao final da
otimizao com, em mdia, 3,7 solues distintas ou 20,6% da fronteira. Em 80,0% das
execues a metodologia mostrou-se falha em encontrar, na mesma populao externa,
solues que correspondem aos extremos mnimos dos objetivos, sendo que as execues que
obtiveram sucesso requerem em mdia 3.637,0 geraes.
Resultado satisfatrio foi encontrado com a aplicao da Metodologia C, cujas trs
mtricas de desempenho obtiveram resultados melhores: 100,0% de sucesso segundo a
mtrica de desempenho 1; 56,67% de sucesso segundo a mtrica de desempenho 2; e 10,0%
de sucesso segundo a mtrica de desempenho 3. A populao converge rapidamente para a
regio de Pareto encontrando, em mdia, uma soluo da fronteira com 10,83 geraes. So
encontradas em mdia 2,37 funes-objetivo com solues extremas mnimas. Nos casos de
as solues mnimas das trs funes-objetivo serem encontradas, so requeridas 788,94
geraes.
Aplicando-se a Metodologia C, as solues da fronteira encontradas no so perdidas
durante a evoluo. Em mdia, essa metodologia encontra 9,67 solues da fronteira Pareto, o
que corresponde a 53,70% da fronteira. Nas execues em que a metodologia obteve sucesso
ao encontrar toda a fronteira Pareto, ou seja, encontrar ao menos uma soluo de cada um dos
18 grupos, o nmero mdio de geraes requerido foi de 479,0.

Anlise dos resultados

O esquema de preenchimento da populao externa, utilizado no mtodo SPEA2,


consiste em preench-la inicialmente por todas as solues no-dominadas da populao
corrente, e, caso a dimenso mxima no seja atingida, a mesma completada pelos
indivduos dominados ordenados de acordo com a aptido. Aplicando-se a Metodologia A,
que utiliza esse procedimento, as solues viveis tm dificuldade de entrarem na populao
externa, pois, como foram demonstradas na busca exaustiva para o cenrio analisado, as
solues inviveis geralmente possuem valores de funes-objetivo menor do que as solues
viveis, dominando-as.
Mesmo com a introduo de uma soluo vivel por seeding e da considerao da
viabilidade na seleo por torneio, a Metodologia A encontrou dificuldade em manter as

108

solues viveis ao longo das otimizaes. Em quatro das 30 execues, essa metodologia
conseguiu atingir sucesso segundo a mtrica de desempenho 1, ou seja, encontrou uma
soluo da fronteira Pareto real. Percebe-se, entretanto, pelo baixo valor da mdia do nmero
de geraes requeridas para atingir esse sucesso, que essas solues foram encontradas no
incio das otimizaes, ou seja, quando a populao externa ainda no estava totalmente
preenchida por indivduos no-dominados e, portanto, permitia a entrada de indivduos
dominados.
Aplicando-se a Metodologia B, inicialmente os indivduos da populao corrente so
avaliados com relao aos critrios de dominncia, para depois serem verificadas as relaes
de viabilidade (Figura 11, pg. 75), preenchendo a populao externa inicialmente com todas
as solues no-dominadas viveis e, quando necessrio, completando-a com solues na
seguinte ordem: dominadas viveis, no-dominadas inviveis e dominadas inviveis. Apesar
de priorizar as solues viveis com relao s inviveis, esse modo de considerar as relaes
de dominncia pode priorizar solues no-dominadas viveis que no pertencem fronteira
Pareto em relao s solues no-dominadas viveis da fronteira Pareto. Isso ocorre devido
fronteira Pareto real ser composta pelo sub-conjunto de solues no-dominadas do conjunto
de solues viveis do espao de busca; ou seja, de todas as solues possveis, as relaes de
dominncia so avaliadas apenas no conjunto das solues factveis.
Como a Metodologia B avalia as relaes de dominncia considerando indistintamente
as solues viveis e inviveis, possvel que uma soluo no-dominada vivel no mbito
das solues factveis, portanto uma soluo da fronteira, passe a ser dominada no mbito do
conjunto global, ficando, desse modo, no segundo grupo de prioridade no preenchimento da
populao externa. Em outras palavras, ao utilizar a Metodologia B, no se pode garantir que
todas as solues da fronteira Pareto estejam no grupo com mxima prioridade no
preenchimento da populao externa, o que causa, segundo os experimentos, a instabilidade
do nmero de solues da fronteira na populao externa ao longo da otimizao.
A Metodologia C utiliza a mesma ordem de prioridades no preenchimento da populao
externa. No entanto os indivduos da populao corrente so classificados considerando
inicialmente o conceito de viabilidade, para, s ento, em cada sub-grupo, serem consideradas
as relaes de dominncia (Figura 12, pg. 75). Este procedimento promove a convergncia
para a fronteira Pareto real, pois garante que essas solues, quando surgirem na populao
corrente, sejam classificadas no grupo de prioridade 1 no preenchimento. Desse modo, as

109

caractersticas de eficincia idealizadas no mtodo SPEA2 so resguardadas, segundo os


resultados dos experimentos.
Utilizando esta metodologia, freqentemente surgem no incio da otimizao, quando a
populao externa no est totalmente preenchida por solues viveis, algumas solues
inviveis nessa populao. Acontece que, como o valor fitness dos indivduos atribudo
considerando separadamente os grupos de solues viveis e inviveis, possvel haver, em
uma mesma populao, indivduos inviveis com valor de fitness inferior ao valores dos
indivduos viveis. Tanto o mtodo de seleo por torneio quanto o SUS com ordenamento
das solues tratam essa contradio priorizando sempre as solues viveis em relao s
inviveis, fazendo com que o valor do fitness seja utilizado apenas entre indivduos viveis, e
como ltimo critrio de desempate entre indivduos inviveis.
Dos resultados expostos e da anlise realizada, possvel concluir que:

Em um espao de busca com alta incidncia de indivduos inviveis que dominam

os indivduos da fronteira Pareto, a considerao da inviabilidade apenas no operador de


seleo por torneio no suficiente para a progresso para a fronteira Pareto, quando se
utiliza o mtodo SPEA2;

A considerao da inviabilidade na classificao dos indivduos, em conjunto com

o conceito de dominncia, produz bons resultados no desempenho do mtodo SPEA2


para o problema em anlise;

O precedimento ideal considerar as relaes de dominncia e o clculo da

aptido do SPEA2 em separado nos sub-conjuntos de indivduos viveis e inviveis da


populao corrente. Portanto, a Metodologia C foi tomada como metodologia base nos
experimentos posteriores.

5.2.2 Avaliao

das

alternativas

incorporadas

individualmente

metodologia base

Essa etapa tem como objetivo incorporar metodologia base definida (Metodologia C)
variaes nos operadores genticos para verificar se ocorrem melhorias no seu desempenho
para a soluo do problema em anlise. As variaes abrangem a utilizao de operadores de

110

seleo distintos, de operadores de reproduo direcionados, e variaes na forma de


descartar ou reparar certos indivduos inviveis, conforme descrito no Quadro 5 (pg. 89).
As alternativas sero consideradas inicialmente de forma separada, e, adiante, as que
obtiveram melhores desempenhos sero combinadas na tentativa de definio de uma nica
metodologia com alto desempenho.

Resultados

As tabelas 17 a 19 mostram um resumo dos resultados obtidos para cada mtrica de


desempenho nas metodologias avaliadas, sendo que os resultados da Metodologia C so os
mesmos obtidos anteriormente.

Tabela 17 Mtrica de desempenho 1 para as metodologias C e 1 a 8.


Mtrica de
desempenho 1
Metodologia C
Metodologia 1
Metodologia 2
Metodologia 3
Metodologia 4
Metodologia 5
Metodologia 6
Metodologia 7
Metodologia 8

% Sucesso

Mdia gerao

100,00
100,00
100,00
100,00
100,00
100,00
100,00
100,00
100,00

10,83
12,80
10,67
9,50
11,93
10,20
9,67
9,83
10,07

IC gerao
Mnimo

Mximo
9,31
9,73
8,99
7,91
10,53
8,53
8,24
8,30
8,28

12,36
15,87
12,34
11,09
13,34
11,87
11,09
11,37
11,85

Tabela 18 Mtrica de desempenho 2 para as metodologias C e 1 a 8.


Mtrica de
desempenho 2
Metodologia C
Metodologia 1
Metodologia 2
Metodologia 3
Metodologia 4
Metodologia 5
Metodologia 6
Metodologia 7
Metodologia 8

%
Sucesso
56,67
30,00
50,00
63,33
36,67
23,33
40,00
40,00
53,33

Mdia
soluo
2,37
2,00
2,20
2,47
2,10
2,13
2,23
2,30
2,33

Mdia
gerao
788,94
595,22
1.044,40
1.485,84
1.537,91
22,14
1.556,68
29,58
1.155,3

IC soluo
Mnimo
Mximo
2,11
2,62
1,72
2.28
1,90
2,50
2,19
2,74
1,83
2,37
1,93
2,34
1,97
2,49
2,07
2,53
2,06
2,60

IC gerao
Mnimo
Mximo
120,87
1.457,01
0,00
1.236,99
0,00
2.264,21
551,77
2.419,91
386,12
2.689,70
18,99
25,29
437,56
2.675,62
22,80
36,37
179,41
2.131,22

111

Tabela 19 Mtrica de desempenho 3 para as metodologias C e 1 a 8.


Mtrica de
desempenho 3
Metodologia C
Metodologia 1
Metodologia 2
Metodologia 3
Metodologia 4
Metodologia 5
Metodologia 6
Metodologia 7
Metodologia 8

%
Sucesso
10,00
20,00
26,67
0,00
13,33
6,67
13,33
13,33
33,33

Mdia
soluo
9,67
9,93
10,97
8,60
9,87
8,17
9,47
9,57
11,43

Mdia
gerao
479,00
1.829,17
1.585,63
2.532,25
481,00
2.171,00
311,50
1.625,10

IC soluo
Mnimo
Mximo
8,54
10,80
8,34
11,52
9,37
12,57
7,73
9,47
8,55
11,19
7,08
9,25
8,12
10,81
8,28
10,86
9,69
13,18

IC gerao
Mnimo
Mximo
271,02
686,98
1.240,20
2.417,91
624,96
2.546,29
1.074,93
3.989,57
311,98
650,02
1.250,58
3.091,42
245,19
377,81
813,87
2.436,33

O Grfico 8 mostra a porcentagem acumulada da fronteira Pareto por gerao segundo


as metodologias C e 1, em que a diferena bsica que, na segunda metodologia, a tcnica de
seeding no foi utilizada. Segundo a mtrica de desempenho 1, ambas as metodologias
obtiveram 100% de sucesso, sendo que a metodologia sem a utilizao do seeding requer, em
mdia, mais geraes para encontrar a primeira soluo. Graficamente, percebe-se que a
metodologia base possui uma ascenso mais rpida para a fronteira Pareto, com uma evoluo
melhor, no que diz respeito porcentagem de solues da fronteira, at prximo da gerao
2.800, quando superada pela Metodologia 1.

Porcentagem acumulada da fronteira


Pareto

70%
60%
50%
40%
30%
70%
60%

20%

50%

10%

40%
30%

0%
0

1100

2200

3300

4400

5500

Geraes
Metodologia C

Metodologia 1

6600

7700

20%
10%
0%
0

25

50

75

100

Grfico 8 Evoluo para a fronteira Pareto das metodologias C e 1.

Segundo a mtrica de desempenho 2, a Metodologia 1 obteve apenas 30% de sucesso,


contra 56,67% de sucesso da metodologia base, apesar de requerer um nmero de geraes

112

menor, em mdia, para obter o sucesso. A mtrica de desempenho 3 foi a nica em que a
metodologia sem o seeding obteve uma proporo maior de sucesso, embora a quantidade de
solues distintas da fronteira encontradas no final da otimizao tenha sido pouco varivel
entre essas metodologias (9,67 solues na metodologia C e 9,93 solues na metodologia 1)
e o nmero mdio de geraes para atingir o sucesso tenha sido significativamente superior.
Com relao ao mtodo de seleo, a Metodologia C, a qual utiliza a seleo por
torneio, possui desempenho melhor do que a Metodologia 2, que utiliza a seleo por SUS, no
nmero mdio de geraes requeridas nas mtricas 2 e 3, havendo, no entanto, uma
equivalncia entre as metodologias quanto ao nmero de geraes da mtrica 1. Com relao
proporo de sucessos, a metodologia base obteve desempenho superior na mtrica 2,
porm, pouco varivel: 56,67% de sucesso na Metodologia C contra 50,00% de sucesso na
Metodologia 2, resultado que se reproduz no numero mdio de solues extremas mnimas
encontradas.
Segundo a mtrica de desempenho 3, a Metodologia 2 possui uma probabilidade maior
de sucesso do que a metodologia base, encontrando a fronteira Pareto completa em 26,67%
das execues contra 10,00% da Metodologia C, e encontrando, em mdia, 10,97 solues ao
final da otimizao. O Grfico 9 mostra a evoluo dessas duas metodologias, onde se pode
perceber certo equilbrio entre as metodologias nas 50 geraes iniciais, com ultrapassagem
significativa da Metodologia 2, mantida at o final da otimizao.

Porcentagem acumulada da fronteira


Pareto

70%
60%
50%
40%
30%
70%
60%

20%

50%

10%

40%
30%

0%
0

1100

2200

3300

4400

5500

6600

Geraes
Metodologia C

Metodologia 2

7700

8800

20%
10%
0%
0

25

50

Grfico 9 Evoluo para a fronteira Pareto das metodologias C e 2.

75

100

113

Com relao ao descarte e reparo dos indivduos, a Metodologia 3 utiliza o


procedimento do descarte na gerao da populao inicial e na reproduo dos indivduos,
enquanto que a Metodologia 4 substitui o descarte durante a reproduo pelo procedimento de
reparo. Os resultados indicam que a Metodologia 3 possui desempenho melhor do que a
metodologia base e do que a Metodologia 4 na mtrica de desempenho 1, e na proporo de
sucesso e nmero de solues da mtrica de desempenho 2; no entanto, requer um nmero
mdio de geraes maior do que a metodologia base na mtrica de desempenho 2 e obteve o
pior resultado na mtrica de desempenho 3, quando no atingiu o sucesso em 100% das
execues. A Metodologia 4 apenas apresentou resultados levemente melhores do que a
metodologia base na proporo de sucessos e no nmero mdio de solues da mtrica de
desempenho 3.
O Grfico 10 apresenta os resultados segundo a mtrica de desempenho 3 para as
Metodologias 3 e 4 em comparao com a metodologia base. Percebe-se a superioridade da
Metodologia 3 no incio da otimizao mas, por volta da gerao 25, essa metodologia
superada pela metodologia base e, por volta da gerao 75, pela Metodologia 4. A
metodologia base segue superior s outras por quase toda a otimizao, sendo superada,
ento, pela Metodologia 4 por volta da gerao 8.500.

Porcentagem acumulada da fronteira


Pareto

70%
60%
50%
40%
30%
70%
60%

20%

50%

10%

40%
30%

0%
0

1100

2200

3300

4400

5500

6600

7700

Geraes
Metodologia C

Metodologia 3

8800

20%
10%

Metodologia 4

0%
0

25

50

75

100

Grfico 10 Evoluo para a fronteira Pareto das metodologias C, 3 e 4.

Os operadores de reproduo foram avaliados de cinco formas diferentes: a metodologia


base utiliza os operadores tradicionais (cruzamento de um ponto e de mutao bit a bit); a

114

Metodologia 5 utiliza os operadores direcionados definidos por Brasileiro (2005) em conjunto


com os tradicionais, na proporo de 70% direcionado e 30% tradicional; e a Metodologia 6
utiliza os operadores direcionados definidos por Machado et al. (2005) em conjunto com os
tradicionais na mesma proporo. As metodologias 7 e 8 avaliam respectivamente os
operadores direcionados definidos por Brasileiro (2005) e por Machado et al. (2005), mas
com as propores invertidas: 30% direcionado contra 70% tradicional.
Segundo a mtrica de desempenho 1, todas as variaes dos operadores direcionados
apresentaram resultados melhores do que o mtodo base, com o melhor resultado obtido na
metodologia 6, a qual requer, em mdia, 9,70 geraes; todavia, de um modo geral, os
resultados nessa mtrica foram pouco variveis.
As metodologias que utilizam os operadores direcionados apresentaram propores de
sucesso e mdia de solues inferiores metodologia base segundo a mtrica de desempenho
2, em todas as suas variaes, onde a pior probabilidade de sucesso foi atingida pela
Metodologia 5, com 23,33%. Na mdia do nmero de geraes necessrias para atingir o
sucesso, no entanto, a metodologia base apenas foi superior s variaes propostas por
Machado et al. (2005), pois as Metodologias 5 e 7, que utilizam os operadores direcionados
propostos por Brasileiro (2005), apresentaram mdias expressivamente melhores.
Segundo a mtrica de desempenho 3, percebe-se que a Metodologia 5, das que utilizam
os operadores direcionados, foi a nica que apresentou proporo de sucesso inferior
metodologia base. Contudo houve nas Metodologias 6 e 7, apesar das propores ligeiramente
melhores, uma mdia de solues da fronteira Pareto bem pouco varivel, girando em torno
de 9,50 solues da fronteira encontrada.
A Metodologia 8, a qual utiliza os operadores direcionados definidos por Machado et al.
(2005), na proporo de 30% tradicional contra 70% direcionado, foi a que apresentou melhor
desempenho nessa mtrica, tanto na proporo de sucessos (33,33%) quanto no nmero de
solues da fronteira Pareto, 11,40 solues. As Metodologias 5 e 7, mais uma vez,
apresentaram os melhores valores mdios do nmero de geraes para atingir o sucesso, com
o melhor resultado permanecendo na Metodologia 7 que, quando consegue encontrar a
fronteira pareto, o faz em mdia com 311,50 geraes.
No Grfico 11 percebe-se a maior rapidez da ascenso das Metodologias 5 e 7,
confirmadas numericamente pelos valores mdios das geraes, e a superioridade da

115

Metodologia 8, confirmada numericamente pela mdia do numero de solues e proporo de


sucessos segundo a mtrica de desempenho 3.

Porcentagem acumulada da fronteira


Pareto

70%
60%
50%
40%
30%
70%

20%
60%

10%

50%
40%

0%
0

1100

2200

3300

4400

5500

6600

7700

8800

30%
20%

Geraes

10%

Metodologia C

Metodologia 5

Metodologia 7

Metodologia 8

Metodologia 6
0%
0

25

50

75

100

Grfico 11 Evoluo para a fronteira Pareto das metodologias C, 5, 6, 7 e 8.

Em relao s propores de operadores direcionados e tradicionais, a proporo em


que se utiliza 70% de operadores tradicionais contra 30% de operadores direcionados
mostrou-se mais satisfatria na maioria das mtricas. Apenas os operadores direcionados
definidos por Machado et al. (2005) foram melhores na outra proporo na mdia da mtrica
1 (9,67 contra 10,07), e os operadores definidos por Brasileiro (2005), na mdia da mtrica 2
(22,14 contra 29,58), mas pouco significativos quando comparados s propores de sucessos.
Na anlise global das mtricas, percebe-se que a mtrica de desempenho 1, dada pelo
nmero de geraes para encontrar uma soluo da fronteira Pareto, apresentou resultados
equivalentes ou pouco variveis entre as metodologias, sendo o mnimo valor da mdia dessa
mtrica encontrado na Metodologia 3 (9,50 geraes), seguida de perto pelas Metodologias 6
(9,70 geraes) e 7 (9,83 geraes). O mximo valor para essa mtrica foi encontrado na
Metodologia 1 (12,80 geraes), a qual a nica que no utiliza a tcnica de seeding.
Segundo a mtrica de desempenho 2, a metodologia que obteve o melhor resultado, em
termos de proporo de sucesso e nmero de solues, foi a Metodologia 3, com 63,33% de
sucesso e 2,47 funes-objetivo com as solues mnimas, em mdia. Algumas metodologias
obtiveram uma proporo de sucessos abaixo de 50% como as Metodologias 1, 4, 5, 6 e 7,

116

sendo o pior resultado obtido para a Metodologia 5, com apenas 23,33% de sucesso e o pior
resultado da mdia de solues obtido para a Metodologia 1, com 2,00 solues.
Na anlise da mdia do nmero de geraes necessrias para atingir o sucesso,
considerando apenas os casos em que foi atingido, a Metodologia 5 destaca-se como a de
menor valor da mdia, com apenas 22,14 geraes, seguida pela Metodologia 7 (29,58
geraes), a qual idntica Metodologia 5 mas com propores diferentes dos operadores
de reproduo. Os valores mdios obtidos para essas duas metodologias se destacam entre os
demais, os quais possuem limites superiores do intervalo de confiana sempre maior do que
1.000 geraes.
O sucesso definido para a mtrica de desempenho 3 o mais difcil de ser atingido, pois
requer que a metodologia encontre, durante a otimizao, 100% da fronteira Pareto. De um
modo geral, as metodologias que obtiveram melhores desempenhos nas outras mtricas
falham nesse critrio, o que o caso da Metodologia 3, que obteve os melhores resultados nas
mtricas de desempenho 1 e 2, mas obteve 0,00% de sucesso na mtrica de desempenho 3.
A metodologia que obteve o melhor resultado segundo a mtrica de desempenho 3 foi a
Metodologia 8, (33,33% de sucesso e em mdia 11,43 solues) a qual havia apresentado
bons resultados nas outras mtricas, mas no chegou a apresentar melhor desempenho nelas.
Outros bons resultados obtidos na terceira mtrica, em termos de proporo de sucesso e
nmero de solues ocorreram nas metodologias 2 e 1, respectivamente com 26,67% e
20,00%. Os piores resultados, tanto em termos de sucesso quanto em termos do nmero de
solues da fronteira Pareto encontradas, ocorreram nas Metodologias 3 e 5, as quais
apresentaram bons resultados nas mtricas anteriores. Os melhores resultados em termos do
nmero mdio de geraes foram apresentados nas Metodologias 5 e 7.

Anlise dos resultados

A eficincia de cada metodologia ser avaliada considerando os resultados da mdia do


nmero de geraes necessrias para se atingir o sucesso nas mtricas definidas. Quanto
menor for o valor mdio do nmero de geraes, maior ser a sua eficincia. A eficcia ser
medida exclusivamente utilizando os resultados da mtrica de desempenho 3: quanto maior
for a proporo de sucesso e o nmero mdio de solues da fronteira encontrados nessa
mtrica, mais eficaz ser considerada a metodologia.

117

No cenrio avaliado, percebeu-se que as solues da fronteira esto agrupadas em


grupos bem distribudos entre as solues viveis (Grfico 2, pg. 99), que, por sua vez, esto
agrupadas em grupos bem definidos e distribudos entre as inviveis (Grfico 4, pg. 101).
Isso significa que, para encontrar as solues que correspondem aos valores extremos
mnimos de cada funo-objetivo em uma mesma otimizao, necessrio que a metodologia
seja capaz de varrer o espao de busca e ultrapassar as barreiras formadas pelas regies
inviveis. Logo, a presena dessas solues no resultado da metodologia um bom indicador
da capacidade da metodologia encontrar solues diversas. Sendo assim, a diversidade das
solues ser avaliada atravs da proporo de sucesso da mtrica de desempenho 2, onde,
quanto maior for a proporo de sucesso nesse mtrica, melhor ser qualificada a metodologia
no critrio da diversidade das solues.
O algoritmo gentico bastante flexvel e permite introduzir nos seus operadores duas
tcnicas necessrias para melhorar o desempenho de qualquer mtodo de otimizao: a
tcnica de exploration, que consiste em explorar pontos distintos no espao de busca, e a
tcnica de exploitation, que consiste em utilizar as informaes presentes nas solues j
encontradas para guiar a busca. Na metodologia base, como em um algoritmo gentico
tradicional, a tcnica de exploration encontrada no operador de seleo, que utiliza a
informao da aptido dos indivduos para guiar a busca, enquanto que a tcnica de
exploitation utilizada nos operadores de reproduo, que introduzem variaes nos
cromossomos explorando novos pontos do espao de busca.
Embora todas as alternativas introduzidas na metodologia base tenham como finalidade
considerar e/ou tratar a inviabilidade das solues, portanto caracterizando-se como tcnicas
de exploitation, as metodologias enfatizam essa tcnica em magnitudes distintas, e essa
influncia pode ser relacionada aos resultados obtidos.
A insero de uma soluo vivel na populao inicial atravs da tcnica de seeding
uma evidncia da utilizao da tcnica de exploitation no incio da otimizao. Os resultados
indicam que a excluso do seeding faz com que a otimizao perca em eficincia, no que se
refere a encontrar mais rpido as solues da fronteira. Por outro lado, o aumento do
exploration obtido com a excluso do seeding permite uma busca mais diversificada, fazendo
com que mais solues da fronteira Pareto, em mdia, sejam encontradas.
Na comparao do procedimento de descarte com o procedimento de reparo dos
indivduos que provocam transbordo nos tanques durante a reproduo, temos o seguinte:
enquanto a primeira simplesmente descarta o indivduos e seleciona outros pais para

118

reproduzir, a segunda corrige o cromossomo onde foi detectada essa inviabilidade, tentando
impor a progresso mais rpida para uma soluo vivel, utilizando a informao da soluo
avaliada. Como a porcentagem de indivduos do espao de busca que produzem essa
inviabilidade considervel, isto 55,00%, deduz-se que este reparo tenha sido realizado
inmeras vezes, o que enfatiza a tcnica de exploitation.
Foi observado nos resultados que a utilizao do procedimento de descarte tende a
produzir os melhores resultados em termos de eficincia e em termos de distribuio das
solues encontradas. No entanto, possivelmente esta metodologia no conseguir progredir
para a totalidade da fronteira real de Pareto.
A melhor combinao dos operadores direcionados com os tradicionais, tanto quando da
utilizao dos definidos por Brasileiro (2005) quanto da utilizao dos definidos por Machado
et al. (2005), foi encontrada na proporo de 30% direcionado contra 70% tradicional. Da
conclui-se que o excesso do exploitation, utilizado na proporo em que se intesifica o uso do
operador direcionado (70% direcionado contra 30% tradicional) tornou a busca muito guiada,
no oferecendo vantagens.
Em comparao com a metodologia base, os operadores de reproduo com a proporo
de 30% direcionado contra 70% tradicional melhoram o desempenho do mtodo base nos
seguintes aspectos: encontram mais rpido uma soluo da fronteira e possuem uma
probabilidade maior de encontrar 100% da fronteira Pareto, o que refora a anlise feita
anteriormente de que a tcnica de exploitation, quando utilizada de forma moderada, pode
trazer benefcios de eficcia para a metodologia. Segundo o critrio de diversidade os
operadores direcionados obtiveram desempenho inferior ao mtodo base, o que pode ser
jutificado pelo aumento do exploration da metodologia base, o que facilita uma varredura
maior do espao de busca.
Mesmo tendo obtido probabilidade menor de sucesso segundo a mtrica de desempenho
2, a metodologia que utiliza os operadores direcionados definidos por Brasileiro (2005), na
proporo de 30% direcionado contra 70% tradicional, obteve resultados excelentes em
termos de eficincia, o que nos permite concluir que a utilizao desse operador produz bons
resultados rapidamente, mas tem dificuldade em progredir para os timos globais. A
metodologia que utiliza os operadores direcionados definidos por Machado et al. (2005), na
mesma proporo, possui potencialidades complementares, j que enfatiza a eficcia.

119

Nesse caso, pode-se dizer tambm que o aumento do exploitation contribuiu para a
eficcia do mtodo, penalizando a sua eficincia e a diversidade das solues, pois a mutao
direcionada utilizada nos operadores direcionados propostos por Machado et al. (op. cit),
considera no apenas o ponto de falha do cromossomo mas, tambm, o tipo de alarme que
ocorre nesse intervalo, invertendo o bit de maneira coerente com este tipo de alarme, ou seja,
enfatizado a tcnica de exploitation. Alm disso, esta mutao possui freqncia de atuao
maior do que a definida por Brasileiro (op. cit), pois avaliada em todos os indivduos
destinados ao operador tradicional de cruzamento e em alguns indivduos destinados ao
operador de cruzamento direcionado, enquanto que a mutao direcionada definida por
Brasileiro (op. cit) apenas atua em casos especficos nos indivduos enviados para o operador
de cruzamento direcionado.
A utilizao da seleo por SUS oferece vantagens para a eficcia do mtodo, sem
comprometer muito os critrios de diversidade e de eficincia. Ambos os mtodos de seleo
por SUS e por torneio utilizam os conceitos de dominncia, viabilidade, ponto de falha e
severidade dos alarmes, mas a tcnica do SUS, por sua prpria definio, permite um certo
equilbrio entre as solues selecionadas. Alm disso, a metodologia com o SUS est sendo
utilizada em conjunto com uma funo de escalonamento linear da aptido, a qual fornece
uma probabilidade de seleo maior aos melhores indivduos. A metodologia com torneio
apenas impe a vitria do indivduo mais apto no torneio, mas a escolha dos pares do torneio
totalmente randmica, o que reduz a tcnica de exploitation e permite uma certa
aleatoriedade na evoluo.
Contrapondo as anlises da relao entre a tcnica de exploitation e a tcnica de
exploration nas metodologias com os resultados dos experimentos, possvel inferir que:

As metodologias que acentuam a utilizao da tcnica de exploitation durante a

evoluo do algoritmo tendem a priorizar a eficcia do mtodo, permitindo que mais


solues da fronteira Pareto sejam encontradas;

A eficincia e a diversidade das solues obtidas so mais facilmente conseguidas,

ao utilizar-se metodologias que utilizam menos intensamente o exploitation;

recomendvel utilizar a tcnica do seeding em qualquer ocasio, pois a sua

excluso prejudica significativamente as propriedades de eficincia e diversidade das


metodologias, e oferece poucas melhorias na eficcia do mtodo;

120

A metodologia com o SUS deve ser aplicada quando se deseja priorizar a eficcia

do algoritmo sem penalizar muito a sua eficincia e diversidade;

A metodologia com torneio deve ser utilizada quando se deseja priorizar a

eficincia da metodologia sem penalizar muito a sua eficcia e diversidade;

O procedimento de descarte no incio da otimizao e na reproduo dos

indivduos deve ser utilizado com restries, pois melhora significativamente o


desempenho quanto diversidade, mas penaliza muito a eficcia da metodologia;

A utilizao do procedimento de descarte no incio da otimizao e reparo na

reproduo melhora apenas suavemente a eficcia do algoritmo, mas penaliza muito a


sua eficincia e diversidade;

A proporo recomendada para se utilizar os operadores direcionados de 70%

tradicional e 30% direcionado;

Os operadores direcionados definidos por Brasileiro (2005) so recomendados

quando se deseja priorizar a eficincia do mtodo, e obter resultados moderados em


termos de eficcia e diversidade;

Os operadores direcionados definidos por Machado et al. (2005) so

recomendados quando se deseja priorizar a eficcia do mtodo e obter resultados


moderados em termos de eficincia e diversidade.

5.2.3 Avaliao

das

alternativas

incorporadas

conjuntamente

metodologia base

Como esse trabalho se props a estudar diversas alternativas metodolgicas para tratar o
problema, com o objetivo principal de obter uma metodologia genrica aplicvel e adaptvel a
qualquer situao, novos experimentos foram conduzidos com o objetivo de tentar se definir
um mtodo eficiente, aplicvel a problemas que requeiram uma resposta em um curto espao
de tempo, e outro mtodo eficaz, quando se deseja chegar mais prximo do timo global do
sistema.
Desta forma, os operadores definidos por Machado et al. (2005), associados
metodologia que utiliza o SUS, demonstram ser uma combinao que pode proporcionar

121

ganhos adicionais de eficcia, j que essas metodologias individualmente mostraram ser


eficazes. No entanto, foi observado, tambm, que o excesso de exploitation pode no ser
vantajoso; logo, necessrio conduzir novos experimentos para averiguar se a juno de
metodologias que, individualmente mostraram eficcia, resultar em um mtodo mais eficaz.
Deste modo, novos experimentos foram conduzidos utilizando os operadores Machado et al.
(op. cit) (na proporo de 70% tradicional e 30% direcionado) com o operador de seleo
SUS, denominado de Metodologia 9.
O procedimento de reparo dos indivduos, por ter-se mostrado um pouco vantajoso no
critrio de eficcia, apesar do desempenho insatisfatrio nos outros critrios, foi associado
Metodologia 9 em um outro experimento, denominado Metodologia 10.
As melhores combinaes para a eficincia, alm do mtodo de seleo por torneio em
conjunto com os operadores direcionados definidos por Brasileiro (2005) (na proporo de
30% direcionado e 70% tradicional), que j foi avaliada anteriormente na Metodologia 7,
foram avaliados em um novo experimento, com a introduo do procedimento de descarte,
pois esse procedimento, individualmente, mostrou grande vantagem em termos de eficincia.
Este novo experimento foi denominado de Metodologia 11, e espera-se que o mesmo seja
satisfatrio tambm no critrio da diversidade.

Resultados

As tabelas 20 a 22 mostram um resumo dos resultados obtidos para cada mtrica de


desempenho segundo as novas metodologias avaliadas e o Grfico 12, vide pgina seguinte,
mostra a evoluo para a fronteira Pareto dessas metodologias.

Tabela 20 Mtrica de desempenho 1 para as metodologias 9, 10 e 11.


Mtrica de
desempenho 1
Metodologia 9
Metodologia 10
Metodologia 11

% Sucesso
100,00
100,00
100,00

Mdia gerao
10,10
9,93
8,97

IC gerao
Mnimo

Mximo
8,52
7,95
6,90

11,68
11,91
11,03

122

Tabela 21 Mtrica de desempenho 2 para as metodologias 9, 10 e 11.


Mtrica de
desempenho 2
Metodologia 9
Metodologia 10
Metodologia 11

%
Sucesso
43,33
56,67
50,00

Mdia
soluo
2,30
2,43
2,40

Mdia
gerao
865,69
2.463,59
25,80

IC soluo
Mnimo
Mximo
2,02
2,55
2,17
2,69
2,16
2,64

IC gerao
Mnimo
Mximo
72,81
1.658,58
1.118,37
3.808,81
18,27
33,33

Tabela 22 Mtrica de desempenho 3 para as metodologias 9, 10 e 11.


Mtrica de
desempenho 3
Metodologia 9
Metodologia 10
Metodologia 11

%
Sucesso
20,00
23,33
0,00

Mdia
soluo
10,10
10,83
8,70

Mdia
gerao
720,67
1.031,57
-

IC soluo
Mnimo
Mximo
8,59
11,61
9,33
12,33
8,11
9,29

IC gerao
Mnimo
Mximo
499,31
942,02
462,48
1.600,67
-

Porcentagem acumulada da fronteira


Pareto

70%
60%
50%
40%
30%
70%
60%

20%

50%

10%

40%
30%

0%
0

1100

2200

3300

4400

5500

6600

7700

Geraes
Metodologia 9

Metodologia 10

8800

20%
10%

Metodologia 11

0%
0

25

50

75

100

Grfico 12 Evoluo para a fronteira Pareto das metodologias 9, 10 e 11.

Anlise dos resultados

Observa-se que no critrio eficcia a Metodologia 10, que combina os operadores de


Machado et al. (2005) com o procedimento de reparo e o mtodo SUS, obteve uma leve
vantagem sobre a metodologia sem o procedimento de reparo (Metodologia 9), tendo sido
inclusive, melhor tambm na mtrica de desempenho 1 e na proporo de sucesso da mtrica
de desempenho 2. No entanto, ambas as metodologias obtiveram proporo de sucesso na
mtrica de desempenho 3 inferior Metodologia 8, que obteve 33,33% de sucesso, e da
Metodologia 2, com 26,67% de sucesso. Isto , a combinao das metodologias que
individualmente mostraram melhorias na eficcia, em relao metodologia base, no

123

resultaram em um ganho na eficcia. A vantagem da Metodologia 10 sobre a 9 tambm pode


ser observada graficamente.
Segundo o critrio do nmero mdio de geraes necessrias para atingir o sucesso nas
trs mtricas de desempenho, a Metodologia 9, que combina apenas o SUS com os operadores
definidos por Machado et al. (op. cit), mostrou melhores resultados do que metodologias mais
eficazes (Metodologias 2, 4, 8 e 10), perdendo em eficincia apenas para as metodologias
destacadas como mais eficientes. Segundo a mtrica de desempenho 3, por exemplo, as
Metodologias 2, 8 e 10 possuem uma proporo de sucesso maior, mas, no entanto, requerem
em mdia 1.044,40, 1.155,30 e 1.031,57 geraes, contra 720,67 da Metodologia 9.
Analisando a mtrica de desempenho 2, observa-se o mesmo resultado, onde a
Metodologia 9 tem uma proporo de sucesso inferior s metodologias 10, 8 e 2, mas possui
ume mdia de 865,59 geraes, enquanto que todas as outras esto acima de 1.000,0. Pode-se,
ento, concluir que, apesar de no ter conseguido encontrar uma metodologia mais eficaz em
termos de proporo de sucesso da mtrica de desempenho 3, a combinao da Metodologia
9, realizada para esse fim, resultou em uma metodologia equilibrada.
A Metodologia 11, a qual combinou metodologias com bom desempenho no critrio de
eficincia, confirmou ser de alto desempenho para esse critrio, pois obteve a menor mdia
dentre todos os mtodos na mtrica de desempenho 1 (8,97), e, na mtrica de desempenho 2
foi superior apenas Metodologia 5 (25,80 contra 22,14). A Metodologia 5, por sua vez,
apresentou proporo de sucesso baixo na mtrica de desempenho 2 (23,33%) enquanto a
Metodologia 11 mostrou uma proporo satisfatria (50,0%). No entanto, a Metodologia 11
mostrou-se totalmente ineficaz, por no ter obtido o sucesso em nenhuma execuo na
mtrica de desempenho 3.
Da anlise dos resultados da incorporao das alternativas metodolgicas combinadas,
pode-se concluir que:

A combinao de metodologias que individualmente se mostraram eficazes no

resultou em um ganho de eficcia, mas resultou em um mtodo equilibrado;

A combinao de metodologias que individualmente se mostraram eficientes

resultou em um ganho de eficincia e prejuzo maior ainda na eficcia.

124

5.3. Aplicao sobre a rede piloto

Foram aplicadas trs metodologias na rede piloto: a Metodologia 8 (caracterizada como


mais eficaz), a Metodologia 11 (caracterizada como mais eficiente) e a Metodologia 9 (com
caractersticas de eficcia e eficincia equilibradas). O critrio de parada adotado foi de 1.000
geraes, por estar contido no intervalo de confiana do nmero mdio de geraes para se
atingir o sucesso em todas as mtricas daquelas metodologias, quando aplicadas na rede piloto
simplificada.

Resultados

A Tabela 23 mostra a quantidade de solues no-dominadas viveis encontradas na


populao externa em cada otimizao na rede piloto e a quantidade de solues nodominadas resultantes aps a juno dos conjuntos de solues de compromisso obtidas em
cada execuo de todas as metodologias.

Tabela 23 Mtrica de convergncia para os experimentos sobre a rede piloto.


Metodologia
8 (1 execuo)
8 (2 execuo)
9 (1 execuo)
9 (2 execuo)
11 (1 execuo)
11 (2 execuo)
TOTAL

NDV
individual
111
96
118
121
240
240
926

NDV
conjunto
0
0
0
0
159
194
353

Observa-se que a Metodologia 11 consegue chegar ao final da otimizao com toda a


populao externa preenchida de indivduos no dominados viveis (240 indivduos), e que,
na juno dos resultados de todas as execues, das 480 solues no-dominadas viveis
resultantes dessa metodologia, 353 permanecem no-dominadas e dominam todas as outras
solues obtidas pelas Metodologias 8 e 9. Desse modo, a Metodologia 11 obteve os melhores
resultados segundo a mtrica de convergncia.
A Tabela 24 mostra o valor da mtrica de diversidade calculada para cada otimizao na
rede piloto. Quanto menor o valor dessa mtrica, mais espaadas esto as solues no-

125

dominadas viveis resultantes de cada execuo, sendo zero o valor ideal. Observa-se que,
tambm segundo o critrio de diversidade, a Metodologia 11 obteve desempenho
significativamente melhor do que as outras metodologias.

Tabela 24 Mtrica de diversidade para os experimentos sobre a rede piloto.


Metodologia
8 (1 execuo)
8 (2 execuo)
9 (1 execuo)
9 (2 execuo)
11 (1 execuo)
11 (2 execuo)

Mtrica de
espaamento
0,0452
0,0466
0,0455
0,0529
0,0235
0,0232

A Tabela 25 mostra os valores mnimos de cada funo-objetivo encontrado ao final de


cada otimizao executada sobre a rede piloto. Observa-se que os valores finais das funesobjetivo nas execues da Metodologia 11 foram inferiores aos valores das Metodologias 8 e
9, com exceo de apenas um valor: o valor mnimo da funo-objetivo 2 na primeira
execuo da Metodologia 8 foi de 9 chaveamentos, enquanto que o valor da primeira
execuo da Metodologia 11 foi de 10 chaveamentos.

Tabela 25 Mtrica de otimizao para os experimentos sobre a rede piloto.


Metodologia
8 (1 execuo)
8 (2 execuo)
9 (1 execuo)
9 (2 execuo)
11 (1 execuo)
11 (2 execuo)

Mnimo FO1
0,07915
0,07923
0,07933
0,07935
0,07894
0,07891

Mnimo FO2
9
10
10
11
10
5

Mnimo FO3
29,28
28,62
31,47
28,74
25,37
25,70

Os grficos 13 a 15 mostram a evoluo das funes-objetivo ao longo das geraes.


Graficamente, observa-se tambm a superioridade dos resultados obtidos utilizando-se a
Metodologia 11 durante toda a evoluo. Pode-se observar tambm que, alm de obter
melhores resultados no final da otimizao, a queda do valor das funes-objetivo muito
brusca no incio da otimizao, e varia muito lentamente depois de 300 geraes.

126

0,08800
0,08700
Custo por volume [R$/m]

0,08600
0,08500
0,08400
0,08300
0,08200
0,08100
0,08000
0,07900
0,07800
0

100

200

300

400

500

600

700

800

900

1000

Geraes
Metodologia 8

Metodologia 9

Metodologia 11

Grfico 13 Evoluo da funo-objetivo 1 das metodologias aplicadas sobre a rede piloto.

35

Nmero de chaveamentos

30
25
20
15
10
5
0
0

100

200

300

400

500

600

700

800

900

1000

Geraes
Metodologia 8

Metodologia 9

Metodologia 11

Grfico 14 Evoluo da funo-objetivo 2 das metodologias aplicadas sobre a rede piloto.

127

50,00
45,00

Variao total de BSW

40,00
35,00
30,00
25,00
20,00
15,00
10,00
5,00
0,00
0

100

200

300

400

500

600

700

800

900

1000

Geraes
Metodologia 8

Metodologia 9

Metodologia 11

Grfico 15 Evoluo da funo-objetivo 3 das metodologias aplicadas sobre a rede piloto.

Anlise dos resultados

As caractersticas de eficincia e diversidade, j comprovadas com a aplicao sobre a


rede piloto simplificada, foram confirmadas para a Metodologia 11 quando aplicada em uma
rede de dimenso real. As outras metodologias, que demonstraram ser mais eficazes na rede
piloto simplificada, no mostraram bons resultados para o nmero de geraes adotado.
Embora o requisito de eficcia no possa ser efetivamente medido atravs da aplicao na
rede piloto, observa-se que a Metodologia 11 obteve desempenho significativamente melhor
nas trs mtricas consideradas, o que sugere a sua utilizao em redes de dimenses reais.
Talvez seja requerido um nmero de geraes maior para que as Metodologias 8 e 9
possam oferecer alguma vantagem de eficcia sobre a Metodologia 11, pois pode ser
observado nos grficos da evoluo das funes-objetivo, que os valores referentes s
Metodologias 8 e 9 continuam decrescendo mesmo aps ultrapassar 500 geraes, enquanto
que os valores da Metodologia 11 j se estabilizaram. Porm, devido ao alto custo
computacional e tempo de processamento requerido para analisar os resultados em um
nmero maior de geraes, esta anlise no foi realizada.
Desta forma, conclui-se que a Metodologia 11 a mais indicada para ser aplicada em
problemas de dimenso real, sendo necessrio analisar apenas a qualidade das solues

128

obtidas quando no se dispuser de tempo suficiente para analisar o mesmo nmero de


geraes apresentadas nessa anlise.

5.4. Aplicao sobre a rede piloto com restrio temporal

Foram executadas quatro otimizaes utilizando a Metodologia 11 por ter mostrado


melhor desempenho na etapa anterior. As duas primeiras execues foram conduzidas com
populaes de 100 indivduos e foram denominadas de 12/1 e 12/2, as duas ltimas, com
populaes de 50 indivduos, denominadas de 12/3 e 12/4.

Resultados

As tabelas 26 a 28 a seguir mostram os resultados das mtricas de convergncia,


diversidade e otimizao obtidas com os experimentos realizados sobre a rede piloto com
restrio temporal, enquanto que os grficos 16 a 18, vide pginas 129 e 130, mostram a
evoluo de cada funo-objetivo nesses experimentos.

Tabela 26 Mtrica de convergncia para os experimentos utilizando restrio temporal.


Metodologia

NDV
individual

12 (1 execuo)
12 (2 execuo)
12 (3 execuo)
12 (4 execuo)
TOTAL

NDV
conjunto

44
37
36
42
159

0
1
33
6
40

Tabela 27 Mtrica de diversidade para os experimentos utilizando restrio temporal.


Metodologia
12 (1 execuo)
12 (2 execuo)
12 (3 execuo)
12 (4 execuo)

Mtrica de
espaamento
0,1105
0,1104
0,0693
0,0468

129

Tabela 28 Mtrica de otimizao para os experimentos utilizando restrio temporal.


Metodologia
12 (1 execuo)
12 (2 execuo)
12 (3 execuo)
12 (4 execuo)

Mnimo FO1
0,08306
0,08323
0,08230
0,08298

Mnimo FO2
27
24
23
26

Mnimo FO3
35,59
38,97
33,32
31,23

0.090

Custo por volume [R$/m]

0.089
0.088
0.087
0.086
0.085
0.084
0.083
0.082
0.081
0

10

15

20

25

30

35

40

45

50

Geraes
Metodologia 12/1

Metodologia 12/2

Metodologia 12/3

Metodologia 12/4

Grfico 16 Evoluo da funo-objetivo 1 dos experimentos utilizando restrio temporal.

40

Nmero de chaveamentos

35
30
25
20
15
10
5
0
0

10

15

20

25

30

35

40

45

50

Geraes
Metodologia 12/1

Metodologia 12/2

Metodologia 12/3

Metodologia 12/4

Grfico 17 Evoluo da funo-objetivo 2 dos experimentos utilizando restrio temporal.

130

60

Variao total de BSW

50

40

30

20

10

0
0

10

15

20

25

30

35

40

45

50

Geraes
Metodologia 12/1

Metodologia 12/2

Metodologia 12/3

Metodologia 12/4

Grfico 18 Evoluo da funo-objetivo 3 dos experimentos utilizando restrio temporal.

Anlise dos resultados

As Metodologias 12/1 e 12/2 se referem utilizao de uma populao de 100


indivduos e evoluram, respectivamente, por 24 e 25 geraes, enquanto que as Metodologias
12/3 e 12/4, ambas com 50 indivduos, evoluram por 46 e 41 geraes, respectivamente. Os
resultados obtidos para os experimentos 12/3 e 12/4 foram ligeiramente melhores nos critrios
avaliados quando comparados com os resultados dos experimentos segundo as metodologias
12/1 e 12/2, de onde se conclui que mais vantajoso utilizar populaes menores e avaliar
mais geraes do que populaes maiores, quando h uma restrio temporal.
Comparando-se os resultados obtidos para a rede piloto sem e com a restrio
temporal, respectivamente etapas 3 e 4 desse trabalho, observa-se que o ganho obtido nos
valores extremos mnimos das funes-objetivo 1 e 3 por no considerar a restrio temporal
so, respectivamente, em torno de 4,3% para a funo-objetivo 1 e, em torno de 23,0% para a
funo-objetivo 3. Sendo o principal ganho obtido sem a restrio temporal associado
funo-objetivo 2, a qual refere-se ao nmero de chaveamentos do sistema, pois, foi
encontrado um nmero mnimo de chaveamentos igual a 5, e, com a restrio, o mnimo valor
encontrado foi de 23 chaveamentos.
No critrio de diversidade, percebe-se tambm que o valor da mtrica de espaamento
obtido sem a restrio temporal, no melhor resultado, foi de 0,0232, enquanto que ao limitar o

131

tempo, o melhor resultado obtido foi de 0,0468. No entanto, o resultado obtido com a
restrio temporal tambm considerado satisfatrio, visto que um valor prximo a zero.
Ao comparar as solues no-dominadas encontradas nas execues com a restrio
temporal com as encontradas sem essa restrio, percebe-se que, as do segundo grupo
dominam as demais. O que sugere que as solues encontradas com a restrio temporal
podem no estar to prximas da fronteira Pareto como provavelmente as encontradas sem a
restrio temporal esto.
Contudo, considera-se de um modo geral que os resultados obtidos com a restrio
temporal foram satisfatrios, visto que, ao final do tempo disponvel, foi possvel preencher
toda a populao externa com 100% de indivduos viveis e, entre essa populao, definir um
bom nmero de solues no-dominadas, ou seja, solues que representam um compromisso
para todos os objetivos e no violam nenhuma restrio, podendo, portanto, ser aplicadas.
Ressalta-se ainda que esses resultados foram obtidos com apenas quatro computadores
dedicados, logo, esperam-se melhorias nesses resultados com o aumento do poder
computacional.
Um outro requisito a ser atendido para aplicao da metodologia selecionada nas
operaes de campo, consiste na possibilidade de escolha de uma nica soluo para ser
aplicada e, para isso foi proposto, na seo 4.3.6, uma metodologia para reduo e escolha de
uma nica soluo final. Para ilustrar a aplicao dessa metodologia, escolheu-se a execuo
12/3 por ter apresentado o maior nmero de solues no-dominadas. A Tabela 29, vide
pgina seguinte, mostra o conjunto final selecionado entre todas as solues viveis nodominadas fornecidas na otimizao, enquanto que o Grfico 19, mostra essas solues
graficamente com os valores normalizados das funes-objetivo. Destaca-se a soluo 6,
provvel indicada como soluo do problema, em se considerando o critrio da menor
varincia entre os valores das funes-objetivo.

132

Tabela 29 Solues finais para a rede piloto considerando a restrio temporal.


Solues finais
1
2
3
4
5
6
7

FO1
0,08230
0,08626
0,08753
0,08893
0,08556
0,08513
0,08303

FO2

FO3
47,79
50,85
33,32
42,81
38,27
55,72
85,29

30
23
34
30
33
26
27

Valores normalizados

1.00
0.80
0.60
0.40
0.20
0.00
1

Solues
FO1

FO2

FO3

Grfico 19 Solues finais normalizadas da otimizao considerando a restrio temporal.

133

6. Concluses e recomendaes para estudos futuros

O trabalho realizado atendeu ao objetivo proposto, pois, aps extensa reviso da


literatura, foram extradas, adaptadas e analisadas tcnicas que definiram uma metodologia de
otimizao eficiente e aplicvel a problemas reais em campo para a operao de redes de
escoamento de petrleo. A metodologia foi definida da maneira mais genrica possvel, com
sugestes de funes-objetivo maleveis e adaptveis a critrios especficos da rede, sendo
inclusive aplicveis a redes de escoamento de gua.
Algumas contribuies mais relevantes podem ser extradas dos resultados desse
trabalho:

A caracterizao do espao de busca do escalonamento de bombas demonstrou a

complexidade do problema da operao desses sistemas, evidenciada pelo alto nmero


de alternativas inviveis e pela distribuio das melhores solues em todo o espao de
busca;

O mtodo SPEA2 pode ser considerado eficiente e eficaz para determinao do

escalonamento de bombas ideal, desde que as restries sejam consideradas de forma


que auxiliem a evoluo do mtodo para a regio de viabilidade;

A utilizao de tcnicas especficas e a introduo de conhecimento durante a

evoluo do algoritmo gentico so atitudes importantes para acelerar o desempenho do


algoritmo, mas devem ser implementadas de maneira cuidadosa, pois o aumento da
tcnica de exploitation aumenta a eficcia do mtodo, mas pode oferecer prejuzos em
eficincia e diversidade.
Para utilizao em problemas reais com redes semelhantes analisada nessa pesquisa, a
metodologia recomendada consiste em: 1) considerar, no preenchimento da populao
externa, os conceitos de viabilidade e dominncia, separando os indivduos viveis dos
inviveis e analisando a dominncia em cada sub-grupo separadamente; 2) utilizar os
operadores direcionados propostos por Brasileiro (2005) em conjunto com os tradicionais na
proporo de 30% direcionado e 70% tradicional; 3) utilizar o procedimento de descarte de
indivduos que provocam transbordo nos tanques proposto por Brasileiro (2005); 4) utilizar a
tcnica de seeding, gerando uma soluo atravs do calculador de soluo vivel; e 5) utilizar

134

seleo por torneio com considerao dos conceitos de viabilidade, de ponto de falha e de
severidade da restrio violada.
Com poucos recursos computacionais e tempo limitado, a metodologia descrita acima
capaz de encontrar boas solues para o problema, e, com o aumento dos recursos
computacionais espera-se conseguir resultados prximos aos obtidos nos experimentos sem
restrio temporal, ou permitir a aplicao da metodologia em redes com dimenses maiores.
Outras tcnicas avaliadas na presente pesquisa, como os operadores definidos por
Machado et al. (2005), a regra de reparo dos indivduos que provocam transbordo dos tanques
produtores, e o procedimento de seleo utilizando SUS em conjunto com uma funo de
escalonamento da aptido, foram excludas da metodologia recomendada por no terem
demonstrado resultados mais eficientes. No entanto, mtodos que combinam essas
metodologias obtiveram os melhores resultados de eficcia nos experimentos conduzidos na
rede piloto simplificada, os quais no puderam ser avaliados na rede piloto devido ao alto
tempo computacional requerido para elevar o nmero de geraes avaliadas.
Uma vez conhecidas as potencialidades dessas tcnicas, estudos futuros podem avaliar a
viabilidade da sua utilizao em conjunto com as utilizadas na metodologia recomendada.
Pode-se iniciar, por exemplo, com as tcnicas reconhecidamente mais eficientes, e substituir
progressivamente, ao longo da evoluo, os tipos de operadores direcionados ou o
procedimento de descarte pelo reparo dos indivduos.
A variao dos parmetros de controle do algoritmo gentico foi realizada de forma
muito discreta nesse trabalho, mas mesmo assim, propiciou grandes alteraes nos resultados,
inclusive sendo fundamental em algumas decises. Dessa forma, recomenda-se um estudo
futuro especfico para a variao, anlise e definio dos melhores parmetros a serem
adotados, ou a viabilidade da utilizao de parmetros de controle variveis no tempo.
Para escolha da melhor soluo para operao das redes entre as mltiplas solues de
compromisso encontradas, foi sugerido nesse trabalho o critrio de mnima funo ponderada,
que escolhe a soluo que melhor atende aos pesos fornecidos para cada objetivo, e o critrio
de mnima varincia, que escolhe a soluo que apresenta resultados equilibrados para todos
os objetivos. No entanto, trabalhos futuros podem ser conduzidos com o intuito de
desenvolver uma metodologia mais abrangente para a tomada de deciso, inclusive adotando
mtodos de anlise multi-criterial, os quais permitem utilizar uma viso holstica do

135

problema, considerando alm dos critrios tcnicos e econmicos, tambm os critrios


ambientais, sociais e polticos nessa escolha.
A possibilidade de representao da varivel de forma explcita ao invs da codificao
binria, como proposto no trabalho de Lpez-Ibez et al. (2005), tambm uma alternativa a
ser avaliada em trabalhos posteriores, o que pode permitir que as bombas do sistema tenham
uma programao mais refinada e talvez oferecer ganhos na eficincia.
Embora, de uma maneira geral, os resultados de uma mesma metodologia tenham sido
pouco variveis, especificamente para a mtrica de convergncia aplicada na rede piloto, o
resultado das duas execues sem restrio temporal da metodologia recomendada mostrou
que ambas execues recomendam um bom nmero de solues diferentes para o problema.
Esse fato sugere a anlise da utilizao do paralelismo nas execues do algoritmo, para que
seja possvel, ao longo da evoluo, migrar essas boas solues entre execues diferentes,
diversificando as buscas. Mas, em aplicaes com restries temporais, o uso do paralelismo
acentua a necessidade de refinamento do modelo hidrulico, de modo que seja possvel
simular diversas solues no intervalo de tempo disponvel.
Uma ltima observao interessante sobre os resultados dessa pesquisa o fato de que,
mesmo com um nmero elevado de geraes, poucos experimentos na rede piloto
simplificada conseguiram encontrar 100% da fronteira Pareto definida. Essa deficincia talvez
seja resultado da prpria concepo do mtodo SPEA2, o qual seleciona indivduos para
reproduo unicamente da populao externa. Desse modo, os indivduos no enviados para a
populao externa no contribuem com o seu material gentico na gerao da nova
populao. Essa contribuio talvez seja relevante devido disperso das solues da
fronteira no espao de busca, e necessidade de transpor as regies de inviabilidade para se
atingir uma nova soluo no-dominada. Sendo assim, uma metodologia de seleo
alternativa, que considere na reproduo tantos os indivduos da populao externa quanto os
da populao corrente, pode vir a ser analisada em um trabalho posterior.
Toda essa pesquisa foi conduzida em um cenrio especfico, baseado em uma rede real.
No entanto, para caracterizar a robustez da metodologia proposta recomenda-se realizar uma
anlise de sensibilidade utilizando variaes no cenrio base, tanto na complexidade
operacional, quanto na dimenso da rede.

136

Referncias Bibliogrficas
ALANDER, J. (1992). On optimal population size of genetic algorithms. In Proceedings of
CompEuro 92, Computer Systems and Software Engineering, 6th Annual European
Computer Conference, p. 65 70.
de ALMEIDA, M; HAMACHER, S.; PACHECO, M.; VELLASCO, M. (2001). The energy
minimization method: a multiobjective fitness evaluation technique and its
application to the production scheduling in a petroleum refinery. Proceedings of

the Congress on Evolutionary Computation, volume 1, p. 560 567.


VILA, S.; LIMA, C.; CARPES JNIOR, W.; VASCONCELOS, J. (2003). Otimizao
Conceitos bsicos, ferramentas e aplicaes. Revista de Automao e Tecnologia da

Informao, CTAI-SENAI, volume 2, nmero 1, Florianpolis, p. 70 75.


BAKER, J. (1987). Reducing bias and inefficiency in the selection algorithm. In
Proceedings of the Second International. Conference on Genetic Algorithms, p. 14
21. {apud Lacerda e Carvalho, 1999, p. 133}
BARN, B.; LCKEN, C.; SOTELO, A. (2005). Multi-objective pump scheduling
optimisation using evolutionary strategies. Advances in Engineering Software

volume 36, p. 39 47.


BARCELLOS, J. (2000). Algoritmos genticos adaptativos: Um estudo comparativo.
Dissertao (Mestrado em Engenharia) Escola Politcnica da Universidade de So
Paulo, So Paulo, 2000.
BATYRSHIN, I.; SHEREMETOV, L.; MARKOV, M.; PANOVA, A. (2005). Hybrid
method for porosity classification in carbonate formations. Journal of Petroleum

Science & Engineering, volume 47, p. 35 50.


BEASLEY, D.; BULL, D.; MARTIN, R. (1993). An overview of genetic algorithm: Part 1,
Fundamentals. University Computing, volume 15, number 2, p. 58 69.

BEASLEY, D.; BULL, D.; MARTIN, R. (1993a). An overview of genetic algorithm: Part
2, Research Topics. University Computing, volume 15, number 4, p. 170 181.

137

BECK, K. (1999). Extreme Programming explained: embrace change. Addison-Wesley,


190p.
BOSCHETTI, F. (1995). Application of genetic algorithms to the inversion of geophysical
data. PhD thesis in Mathematical Geophysics. University of Western Australia, Perth.
{apud Velez-Langs, 2005, p. 6}

BOULOS, P.; WU, Z.; ORR, C.; MOORE, M.; HSIUNG, P.; THOMAS, D. (2001). Optimal
pump operation of water distribution systems using genetic algorithms.

Proceedings of AWWA DSS Conference.


BUSH, M.; CARTER, J. (1996). Application of a modified genetic algorithm to parameter
estimation in the petroleum industry. In DAGLI, C.; AKAY, E.; PHILIP-CHEN, C.;
FERNANDEZ, B.; GHOSH, J. (editors), Intelligent engineering systems through
artificial neural networks. Volume 6, ASME Pres, New York. {apud Velez-Langs, 2005,
p. 5}

BRASILEIRO, E. (2005). Um algoritmo gentico para otimizao do controle em tempo


real de redes de escoamento de petrleo. Dissertao (Mestrado em Cincia da

Computao) Ps-Graduao em cincia da computao da Universidade Federal de


Campina Grande, Campina Grande, fevereiro de 2005.
BRASILEIRO, F.; GALVO, C.; BRASILEIRO, E.; CATAO, B.; SOUTO, C.; MACHADO,
E.; MUNIZ, M.; SOUZA, A.; GOMES, A.; ALOISE, D.; OLIVEIRA, A.; GOMES,
C.; ROLIM, T.; BOQUIMPANI, C. (2003). Monitoramento e controle em tempo
real de redes de escoamento de petrleo. In Rio Pipeline Conference & Exposition,

Rio de Janeiro, Outubro de 2003.


CARRIJO, I. (2004). Extrao de regras operacionais timas de sistemas de distribuio
de gua atravs de algoritmos genticos multiobjetivo e aprendizado de mquina.

Tese (Doutorado em Hidrulica e Saneamento) Escola de Engenharia de So Carlos,


Universidade de So Paulo, So Carlos, 2004.
CARTER, J. (2002). Introduction to using genetic algorithms. In: NIKRAVESH, M.;
AMINZADEH, F.; ZADEH, L. (editors), Developments in Petroleum Science.
Elsevier Science B. V., p. 51 76.

138

COELLO, C. (2000). An updated survey of GA-based multiobjective optimization


techniques. ACM Computing Surveys, volume 32, number 2, p. 110 143.

COELLO, C. (2006). Evolutionary multi-objective optimization: a historical view of the


filed. IEEE Computacional Intelligence Magazine, volume 1, number 1, p. 28 36.

COELLO, C.; VELDHUIZEN, D.; LAMONT, G. (2002). Evolutionary Algorithms for


Solving Multi-Objective Problems. Kluwer academic / Plenum publishers, 576 p.

CORNE, D.; KNOWLES, J.; OATES, M. (2000). The Pareto envelope-based selection
algorithm for multiobjective optimization. In Proceedings of the Sixth Internacional

Conference on Parallel Problem Solving from Nature VI (PPSN-VI), p. 839 848.


DEB, K. (2000). An efficient constraint handling method for genetic algorithm. Computer
Methods in Applied Mechanic and Engineering. {apud Deb, 2001, p. 291}
DEB, K. (2001). Multi-objective optimization using evolutionary algorithms. John Wiley
& Sons, Ltd., Chichester (England), 518 p.
DEB, K.; PRATAP, A.; AGARWAL, S.; MEYARIVAN, T. (2002). A fast and elitist
multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary

Computation. Volume 6, number 2, p. 182 197.


ESHELMAN, L.; CARUANA, R.; SCHAFFER, J. (1989). Biases in the crossover
landscape. In Proceedings of the Third International Conference on Genetic

Algorithms, p. 10 19. {apud Beasley, 1993a, p. 133}


EIBEN, A.; HINTERDING, R.; MICHALEWICZ, Z. (1999) Parameter control in
evolutionary algorithm. IEEE Transactions on Evolutionary Computation, volume 3,

number 2, p. 124 141.


FONSECA, C.; FLEMING, P. (1993). Genetic algorithms for multiobjective optimization:
Formulation, discussion, and generalization. In Proceedings of the Fifth

International Conference on Genetic Algorithms, p. 416 423.

139

GALVO, C.; BRASILEIRO, F.; SANTANA, C.; MACHADO, E.; BRASILEIRO, E.;
CATAO, B.; GOMES, A.; IZU, A.; LUCENA, K.; ALOISE, D. (2004). Sistema
computacional para o monitoramento e controle em tempo real de redes de
escoamento. In Seminrio Hispano-Brasileo sobre Planificacin, Proyecto y

Operacin de Redes de Abastecimiento de Agua, 2004, Valencia (Espaa), junho de


2004.
GALVO, C.; CIRNE FILHO, W.; BRASILEIRO, F.; BRASILEIRO, E.; ARAJO, E.
(2004a). Computao em grade aplicada anlise de sistemas de abastecimento
de gua. In Seminrio Hispano-Brasileiro sobre sistemas de abastecimento urbano de

guas, Joo Pessoa, novembro de 2004.


GOLDBERG, D. (1989). Genetic algorithm in search, optimization, and machine
learning. Addison - Wesley Publishing Company, Reading, Massachusetts, 403p.

GOLDBERG, D. (1985). Computer-Aided gas pipeline operation using genetic


algorithms and rule learning. University of Alabama, Society of Petroleum

Engineers Paper, 1985. {apud Silva, 1999, p. 21}


GOLDBERG, D.; DEB, K. (1991). A comparative analysis of selection schemes used in
genetic algorithms. In RAWLINGS, G. (editor) Foundations of Genetic Algorithms.
Morgan Kraufmann Publishers, San Mateo Califrnia, p. 69 93.
GOLDBERG, D.; KOZA, J. (1990). Genetic algorithm in search, optimization and
machine learning. Workshop Notes, Computer Science Department, Stanford

University, August 6 10. { apud Simpson et al., 1994, p. 428}


GRENFESTETTE, J. (1986). Optimization of control parameters for genetic algorithms.
IEEE Transactions on Systems, Man and Cybernetics, volume. 16, number. 1, p. 122
128. {apud Eiben et al., 1999, p. 125}
HAJELA, P.; LIN, C. (1992). Genetic search strategies in multi-criterion optimal design.
Sctructural Optimization, volume 4, number 2, p. 99 107. {apud Deb, 2001, p. 189}
HOLLAND, J. (1975). Adaptation in natural and artificial systems. University of
Michigan Press, Dept. Computer Science, Ann Arbor, 1975. {apud Goldberg, 1989, p. 2}

140

HOLLSTIEN, R. (1971). Artificial genetic adaptation in computer control systems. Ph.D.


Dissertation, University of Michigan, Ann Arbor, 1971. {apud Goldberg, 1989, p. 99}
HORN, J.; NAFPLOITIS, N.; GOLDBERG, D. (1994). A niched Pareto genetic algorithm
for multi-objective optimization. In Proceedings of the first IEEE Conference on

Evolutionary Computation, p. 82 87.


de JONG, K. (1975) The analysis of the behavior of a class of genetic adaptive systems.
Ph.D. Dissertation, University of Michigan, Dept. Computer Science, Ann Arbor,
1975. {apud Eiben et al., 1999, p. 125}
KNOWLES, J.; CORNE, D. (2000). Aproximating the non-dominated front using the
Pareto archived evolution strategy. Evolutionary Computation Journal, volume 8,

number 2, p. 149 172.


KOIDE, S. (1998). Equaes simplificadas para a utilizao da frmula universal de
perda de carga em tubulaes. Engenharia Sanitria e Ambiental, volume 3, nmero

3, p. 92 96.
KURSAVE, F. (1990). A variant of evolution strategies for vector optimization. In
Parallel Problem Solving from Nature I (PPSN-I), p. 193 197.
LACERDA, E.; CARVALHO, A. (1999). Introduo aos algoritmos genticos. In:
GALVO, C.; VALENA, M. (organizadores), Sistemas inteligentes: Aplicaes a
recursos hdricos e cincias ambientais. ABRH, editora UFRGS, Porto Alegre, p. 99

150.
LANSEY, K.; AWUMAH, K. (1994). Optimal pump operations considering pump
switches. Journal of Water Resources Planning and Management, volume 120,

number 1, p. 17 35.
LPEZ-IBEZ, M.; PRASAD, D.; PAECHTER, B. (2005). Multi-objective pump
scheduling optimisation using evolutionary strategies. In IEEE Congress on

Evolutionary Computation, volume 1, p. 435 442, Edinburgh, UK, September 2005.

141

LPEZ-IBEZ, M.; PRASAD, D.; PAECHTER, B. (2005a). Optimal pump scheduling:


Representation and multiple objectives. In Proceedings of the Eighth International

Conference on Computing and Control for the Water Industry, volume 1, p.117 122,
University of Exeter, UK, September 2005.
LCKEN, C.; BARN, B.; SOTELO, A. (2004). Pumps scheduling optimization using
asynchronous parallel evolutionary algorithms. CLEI Electronic Journal, volume 7,

number 2, paper 2.
MACHADO, E.; LUCENA, K.; BARBACENA, M.; BRASILEIRO, E.; GALVO, C.
(2005). Avaliao da eficcia de um algoritmo gentico para escalonamento de
bombas em adutoras. In V SEREA Seminrio Iberoamericano sobre Planificacin,

Proyecto y Operacin de Sistemas de Abastecimiento de Agua. Valencia, 29 de


noviembre al 2 de diciembre de 2005.
MACKLE, G.; SAVIC, D.; WALTERS, G. (1995). Application of genetic algorithm to
pump scheduling for water supply. GALESIA95. Conference Publication 414, p.

400 405.
MACINTYRE, A. (1997). Bombas e Instalaes de Bombeamento. 2 edio revista. LTC
Livros Tcnicos e Cientficos Editora, Rio de Janeiro, 782p.
MANSANN, F.; SCHOENAUER, M. (2002). An automatic geophysical inversion
procedure using a genetic algorithm. In: WONG, P.; AMINZADEH, F.;

NIKRAVESH, M. (Editors.), Soft Computing for Reservoir Characterization and


Modeling, Studies in Fuzziness and Soft Computing, volume. 80. Physica-Verlag,

p. 331 353. {apud Velez-Langs, 2005, p. 6}


MICHALEWICZ, Z.; FOGEL, D. (2002). How to Solve It: Modern Heuristics. Springer,
Berlim, 460p.
MICHALEWICZ, Z.; HINTERDING, R.; MICHALEWICZ, M. (1997). Evolutionary
Algorithms. In PEDRYCZ, W. (editor), Fuzzy Evolutionary Computation. Captulo
2, Kluwer Academic, 1997
OLUJIC, Z. (1981). Compute friction factors fast for flow in pipes, Chemical Engineering,
p. 91 93. {apud Koide, 1988, p. 94}

142

ORMSBEE, L.; LANSEY, K. (1994). Optimal control of water supply pumping systems.
Journal of Water Resources Planning and Management, volume 120, number 2, p. 237
252.
OSYCZKA, A.; KUNDU, S. (1995). A new method for solve generalized multicriteria
optimization problems using the simple genetic algorithm. Sctrutural Optimization,

volume 10, number 2, p. 94 99. {apud Deb, 2001, p. 253}


PACHECO, M. (1999). Algoritmos genticos: Princpios e aplicaes. INTERCON99: V
Congresso Internacional de Ingeniera Electrnica, Eltrica y Sistemas, Lima, p. 11
16.
PARETO, V. (1896). Cours DEconomic Politique. Volume I and II, F. Rouge. Lausanne,
1896. {apud Coello, 2000, p. 112}
PORTO, R. (2004). Hidrulica Bsica. 3 edio revisada, publicao EESC-USP, So
Carlos-SP, 519p.
ROMERO,

C.;

CARTER,

J.

(2001).

Using

genetic

algorithm

for

reservoir

characterisation. Journal of Petroleum Science and Engineering, volume 31, p. 113

123.
SALGADO, R.; TODINI, E.; OCONNELL, P. (1988). Comparison of the Gradient
Method with Some Traditional Methods for the Analysis of Water Supply
Distribution Networks. Proceedings of International Conference on Computer

Applications for water Supply and Distribution, Leicester Polytechnic, UK, September
1988.
SCHOTT, J. (1995). Fault tolerance design using single and multicriteria genetic
algorithms. Masthers Thesis, Boston, MA: Department of Aeronautic and

Astronautics, Massachusetts Institute of Technology. {apud Deb, 2001, p. 327}


SCHAFFER, J. (1984). Some experiments in Machine Learning using Vector Evaluated
Genetic Algorithms. Ph.D. Thesis, Nashville, TN: Vanderbilt University. {apud Deb,
2001, p. 179}

143

SCHAFFER, J.; CARUANA, R.; ESHELMAN, L.; DAS, R. (1989). A Study of control
parameters affecting online performance of genetic algorithms for function
optimization. In Proceedings of the Third International Conference on Genetic

Algorithms, p. 51 60. {apud Eiben et al., 1999, p. 132}


SCHWAB, M.; SAVIC, D.; WALTERS, G. (1996). Multi-objective genetic algorithm for
pump scheduling in water supply systems. Technical Report 96/02, Centre for

Systems and Control Engineering, School of Engineering, University of Exeter,


Exeter, United Kingdom.
SILVA, A. (1999). Otimizao do transporte em oleodutos utilizando algoritmos
genticos e programao linear. Dissertao (Mestrado em Engenharia Eltrica)

Faculdade de Engenharia Eltrica e de Computao, Universidade Estadual de


Campinas, Campinas, abril de 1999.
SIMPSON, A.; DANDY, G.; MURPHY, L. (1994). Genetic algorithm compared to other
techniques for pipe optimization. Journal of Water Resources Planning and

Management, volume 120, number 4, p. 423 443.


SOLENG, H. (1999). Oil reservoir production forecasting with uncertainty estimation
using genetic algorithms. Proceedings of the Congress on Evolutionary Computation,

volume 2, p. 1217 1223.


SRINIVAS, N.; DEB, K. (1994). Multi-objective function optimization using nondominated sorting genetic algorithms. Evolutionary Computation Journal, volume

2, number 3, p. 221 248.


SPIEGEL, M. (1977). Estatstica. Traduo de Pedro Cosentino; ed. rev. por Carlos Jos
Pereira de Lucena. So Paulo, McGraw-Hill do Brasil.
TODINI, E.; PILATI, S. (1987). A Gradient Algorithm for the Analysis of Pipe Network.
Computer Applications in Water Supply, Volume 1 - Systems Analysis and
Simulation, ed. Bryan Coulbeck and Chun-Hou Orr, Research Studies Press Ltd.,
Letchworth, Hertfordshire, England.

144

TSUTIYA, M. (2001). Reduo do custo de energia eltrica em sistemas de


abastecimento de gua. 1 edio, ABES Associao Brasileira de Engenharia

Sanitria e Ambiental, So Paulo-SP, 185 p.


TPAC, Y.; VELLASCO, M; PACHECO, M. (2002). Selection of alternatives for oil field
development by genetic algorithms. Rev. Eng. Trm. Spec. Ed. 2, p. 51 54. {apud
Velez-Langs, 2005, p. 7}

VELDHUIZEN, D. (1999). Multiobjective evolutionary algorithms: Classifications,


Analyses, and new innovations. Ph.D. Thesis, Faculty of the graduate school of

engineering of the air force institute of technology. Technical report no.


AFIT/DS/ENG/99-01.
VELDHUIZEN, D.; ZYDALLIS, J.; LAMONT, G. (2003). Considerations in engineering
parallel multiobjective evolutionary algorithms. IEEE transactions on evolutionary

computation, volume 7, number 2, p. 144 173.


VELEZ-LANGS, O. (2005). Genetic algorithm in oil industry: An overview. Journal of
Petroleum Science and Engineering, 47 (1-2).
XIONG, S.; LI, F. (2003). Parallel strength Pareto multi-objective evolutionary
algorithm. Proceedings of the Fourth International Conference on Parallel and

Distributed Computing, Applications and Technologies, p. 681 683.


ZITZLER, E. (2001). Evolutionary algorithms for multiobjective optimization. Invited
lecture at EUROGEN 2001 conference held in Athens, Greece, September, 2001.
ZITZLER, E.; THIELE, L. (1998). An evolutionary algorithm for multiobjective
optimization: The Strength Pareto approach. Technical report 43, Zrich,

Switzerland: Computer Engineering and Network Laboratory (TIK), Swiss Federal


Institute of Technology (ETH).
ZITZLER, E.; LAUMANNS, M.; THIELE, L. (2001). SPEA2: Improving the Strength
Pareto Evolutionary Algorithm. Technical report 103, Zrich, Switzerland:

Computer Engineering and Network Laboratory (TIK), Swiss Federal Institute of


Technology (ETH).

145

ZITZLER, E.; THIELE, L.; DEB, K. (2000). Comparison of multiobjective evolutionary


algorithms: Empirical results. Evolutionary Computation. Volume 8, number 2, p.

173 195.
ZITZLER, E.; THIELE, L.; LAUMANNS, M.; FONSECA, C.; FONSECA, V. (2002).
Performance assessment of multiobjective optimizers: An analysis and review.

Technical report 139, Zrich, Switzerland: Computer Engineering and Network


Laboratory (TIK), Swiss Federal Institute of Technology (ETH).